메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Kim Wooseung (Division of Biomedical Engineering, Hankuk University of Foreign Studies, Yongin, Korea.) Kang Yeonah (Department of Radiology, Inje University College of Medicine, Haeundae Paik Hospital, Busan, Korea.) Lee Seokhwan (Department of Otorhinolaryngology-Head and Neck Surgery, Haeundae Paik Hospital, Inje University College of Medicine, Busan, Korea.) Lee Ho-Joon (Department of Radiology, Inje University College of Medicine, Haeundae Paik Hospital, Busan, Korea.) Nam Yoonho (Division of Biomedical Engineering, Hankuk University of Foreign Studies, Yongin, Korea.)
저널정보
대한자기공명의과학회 Investigative Magnetic Resonance Imaging Investigative Magnetic Resonance Imaging Vol.28 No.3
발행연도
2024.9
수록면
107 - 113 (7page)
DOI
10.13104/imri.2024.0014

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
'Purpose: This study aims to enhance the performance of deep learning models for segmenting thin anatomical structures in medical images by introducing a label-preserving data-augmentation strategy. Materials and Methods: We developed a data-augmentation technique that applies geometric transformations and their inverses sequentially to input images while preserving the corresponding labels. This method was evaluated on inner ear magnetic resonance images for the automatic segmentation of semicircular canals characterized by thin and circular structures. The dataset included both internal and external samples. For the internal dataset, 70 subjects were used for model training and eight subjects for internal validation. Images were acquired using a 3 tesla magnetic resonance imaging scanner with a three-dimensional high-resolution T2 sequence, and ground-truth segmentations were manually annotated by an experienced radiologist. For external validation, four subjects from a public dataset (Vestibular-Schwannoma-SEG dataset, part of The Cancer Imaging Archive) with high-resolution T2 images for inner ear analysis were used. We performed quantitative evaluations using metrics such as Dice, intersection over union (IoU), 95% Hausdorff distance (HD), and average surface distance (ASD). A qualitative visual assessment was also performed. Results: The proposed model exhibited improved performance in semicircular canal segmentation in both quantitative and qualitative evaluations. Metrics such as Dice, IoU, 95% HD, and ASD indicated better performance than conventional methods. Conclusion: The proposed label-preserving data augmentation method improves the segmentation of thin anatomical structures in medical images and offers a robust and efficient solution for enhancing deep learning models in medical imaging.
#Deep learning #Magnetic resonance imaging scans #Inner ear #Semicircular canals

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0