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
Cho Yongwon (Department of Radiology Korea University Anam Hospital SeoulKorea.AI Center Korea University Anam H) Cho Hyungjoon (Department of Radiology Korea University Anam Hospital SeoulKorea.) Shim Jaemin (Division of Cardiology Department of Internal Medicine Korea University Anam Hospital SeoulKorea.) Choi Jong-Il (Division of Cardiology Department of Internal Medicine Korea University Anam Hospital SeoulKorea.) Kim Young-Hoon (Division of Cardiology Department of Internal Medicine Korea University Anam Hospital SeoulKorea.) Kim Namkug (Department of Convergence Medicine Asan Medical Center University of Ulsan College of Medicine Seou) Oh Yu-Whan (Department of Radiology Korea University Anam Hospital SeoulKorea.) Hwang Sung Ho (Department of Radiology Korea University Anam Hospital SeoulKorea.)
저널정보
대한의학회 Journal of Korean Medical Science Journal of Korean Medical Science Vol.37 No.36
발행연도
2022.9
수록면
1 - 12 (12page)
DOI
10.3346/jkms.2022.37.e271

이용수

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

초록· 키워드

오류제보하기
Background: To propose fully automatic segmentation of left atrium using active learning with limited dataset in late gadolinium enhancement in cardiac magnetic resonance imaging (LGE-CMRI). Methods: An active learning framework was developed to segment the left atrium in cardiac LGE-CMRI. Patients (n = 98) with atrial fibrillation from the Korea University Anam Hospital were enrolled. First, 20 cases were delineated for ground truths by two experts and used for training a draft model. Second, the 20 cases from the first step and 50 new cases, corrected in a human-in-the-loop manner after predicting using the draft model, were used to train the next model; all 98 cases (70 cases from the second step and 28 new cases) were trained. An additional 20 LGE-CMRI were evaluated in each step. Results: The Dice coefficients for the three steps were 0.85 ± 0.06, 0.89 ± 0.02, and 0.90 ± 0.02, respectively. The biases (95% confidence interval) in the Bland-Altman plots of each step were 6.36% (?14.90?27.61), 6.21% (?9.62?22.03), and 2.68% (?8.57?13.93). Deep active learning-based annotation times were 218 ± 31 seconds, 36.70 ± 18 seconds, and 36.56 ± 15 seconds, respectively. Conclusion: Deep active learning reduced annotation time and enabled efficient training on limited LGE-CMRI.
#Active Learning #Cardiac Image Analysis #Convolutional Neural Network #Deep Learning #Human-in-the-Loop #Magnetic Resonance Images

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!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0