この規格 プレビューページの目次
※一部、英文及び仏文を自動翻訳した日本語訳を使用しています。
3 用語と定義
この文書の目的上、ISO/ASTM 52950, ISO 15708-1, ISO/IEC 2382, および以下で与えられる用語と定義が適用されます。
ISO と IEC は、標準化に使用する用語データベースを次のアドレスで維持しています。
3.1
画像取得
コンピューター断層撮影 (CT)、磁気共鳴 (MR) イメージング、またはその他の 3 次元イメージング技術を使用した対象構造のスキャン
3.2
画像の注釈
画像にラベルを付けるプロセス
3.3
ラベル
ターゲットに適用される分類語句または名前
3.4
学ぶ
<機械学習>生物学的システムまたは自動システムが、そのパフォーマンスを向上させるために使用できる知識やスキルを獲得するプロセス
[出典: ISO/IEC 2382:2015, 2122966, 修正済み — 記入事項の注記は削除されました。]
3.5
セグメンテーション
対象となるオブジェクトをその周囲から分離するプロセス
注記 1:セグメンテーションは 2D, 3D, ラスター、またはベクター データに適用できます。
3.6
グラウンドトゥルースラベル
教師あり学習に基づくセグメンテーションのトレーニング セットの正解
3.7
関心領域
ROI
イメージ内で定義されている指定された境界
3.8
機械学習
ml
モデルの動作がデータや経験を反映するように、計算技術を通じてモデルのパラメーターを最適化するプロセス
[出典:ISO/IEC 22989:2022, 3.3.5]
3.9
ラベル付きデータ
1 つ以上のラベルでタグ付けされたデータのグループ
3.10
ハイパーパラメータ
学習プロセスに影響を与える機械学習アルゴリズムの特性
注 1:ハイパーパラメータはトレーニング前に選択され、モデルパラメータの推定に役立つプロセスで使用できます。
注記 2: ハイパーパラメータの例としては、ネットワーク層の数、各層の幅、活性化関数の種類、最適化方法、ニューラルネットワークの学習率などが挙げられます。サポートベクターマシンのカーネル関数の選択。葉の数または木の深さ。 K は K-means クラスタリングの略です。期待値最大化アルゴリズムの最大反復回数。混合ガウス内のガウスの数。
[出典:ISO/IEC 22989:2022, 3.3.4]
3.11
医療画像
医用画像装置によって生成される画像の種類
参考文献
| 1 | ISO/IEC JTC 1-N13604, 3Dプリンティングとスキャンに関する研究グループ報告書 |
| 2 | ISO/IEC 22989:2022, 情報技術 — 人工知能 — 人工知能の概念と用語 |
| 3 | 医用画像セグメンテーションの現在の方法、Annu.バイオメッド牧師。密接に。 2000. 02:315–37 |
| 4 | ISO/IEC 23053, 機械学習 (ML) を使用した人工知能 (AI) システムのフレームワーク |
| 5 | クルックシャンク A, ベル D, ムーア C, カーネル (CT の画像再構成)参考記事、Radiopaedia.org (2023 年 7 月 16 日にアクセス) https://doi.org/10.53347/rID-72906 |
| 6 | Ramieri G.、Spada MC, Bianchi SD, Berrone S.、「外傷後眼窩炎における眼窩および眼窩脂肪の寸法と体積」、Dentomaxillofaラジオル。 29, 302–311 (2000) |
| 7 | Betts AM, Brien WT, Davies BW, Youssef OH, 「眼窩外傷の CT 評価への系統的アプローチ」、Emerg.ラジオル。 21, 511–531 (2014) |
| 8 | ハード。 N. および Kuttenberger, J.、「頭蓋顔面骨折の放射線学」、頭蓋顔面外傷、15 ～ 29 (2010) |
| 9 | Nysjo J.、「頭蓋顎顔面手術計画のための眼窩セグメンテーション」(2011 年) |
| 10 | Jesper J, Ruud S.、Leander D.、Thomas JJM, Peter JJG, Alfred GB, 「軌道ボリューム解析: 半自動ソフトウェア セグメンテーション法の検証」、Int. J. CARS 11, 11–18 (2016) |
| 11 | Wagner ME, Gellrich NC, Friese KI, Becker M.、Wolter FE, Lichtenstein JT, Stoetzer M.、Rana M.、Essig H.、「コーンビームコンピュータ断層撮影による軌道容積測定におけるモデルベースのセグメンテーションと現在の概念に対する評価」 」、Int J Comput Assist Radiol Sur論文 11, (1)、1-9 (2015) |
| 12 | Lamecker H.、Kamer L.、Wittmers A.、Zachow S.、Kaup T.、Schramm A.、Noser H.、Hammer B.、「骨軌道の 3 次元統計的形状解析方法」、Proc頭部周囲のコンピュータ支援手術、94-97 (2007) |
| 13 | Badrinarayanan V.、Handa A.、Cipolla R.、「Begnet: 堅牢なセマンティック ピクセル単位のラベル付けのための深い畳み込みエンコーダ/デコーダ アーキテクチャ」、arXiv プレプリント arXiv:150 07293 (2015) |
| 14 | Lin G.、Milan A.、Shen C.、Reid ID, 「Refinenet: 高解像度セマンティック セグメンテーションのためのマルチパス洗練ネットワーク」、Proc. CVPR 1, (2)、5168-5177 (2017) |
| 15 | Ronneberger O.、Fischer P.、Brox T.、「U-net: 生物医学画像セグメンテーションのための畳み込みネットワーク」、医療画像コンピューティングおよびコンピュータ支援介入に関する国際会議、234-241, (2015) |
| 16 | Zhao M.、Wang L.、Chen J.、Nie D.、Cong Y.、Ahmad S. 他、「深層監視敵対的学習による MRI からの頭蓋顎顔面骨構造のセグメンテーション」、医用画像コンピューティングと国際会議コンピュータ支援介入、720-727 (2018) |
| 17 | ISO/ASTM 52900, 積層造形 — 一般原則 — 基礎と用語 |
| 18 | Kalinic Hrvoje, アトラスベースの画像セグメンテーション: 調査。」クロアチアの科学文献目録 (2009): 1- |
| 19 | Yu Haiping, He Fazhi, Pan Yiteng, 強度不均一性を伴う画像セグメンテーションのレベル セット法の調査」マルチメディア ツールとアプリケーション 79.39 (2020): 28525-28549 |
| 20 | ISO 12052:2017, 医療情報学 — ワークフローとデータ管理を含む医療におけるデジタル イメージングとコミュニケーション (DICOM) |
| 21 | ISO 19233-1:2017, 手術用インプラント — 整形外科用人工関節 — Part 1: 膝の CT データからパラメトリック 3D 骨モデルを作成する手順 |
| 22 | Maureen van Eijnatten a, Roelof van Dijk a, Johannes Dobbe b, Geert Streekstra b, Juha Kouvisto a, Jan Wolffa, 「医療用積層造形で使用される骨の CT 画像セグメンテーション手法」、Medical Engineering and Physics 5, 6 ページ–16 |
| 23 | Nida M.、Zaitouna, Musbah J. Aqelb, 「画像分割技術に関する調査」、通信、管理、および情報技術に関する国際会議 (ICCMIT 2015)、Procedia Computer Science 65 (2015) pp. 797 – 806 |
| 24 | Hesamian Mohammad Hesam, Jia Wenjing, He Xiangjian, Kennedy Paul, 「医療画像セグメンテーションのための深層学習技術: 成果と課題」、Journal of Digital Imaging (2019) 32:582–596, https://doi.org/10.1007/ s10278-019-00227-x |
| 25 | Litjens Geert, Kooi Thijs, Bejnordi Babak Ehteshami, Arnaud Arindra Adiyoso Setio, Ciompi Francesco, Ghafoorian Mohsen, van der Laak JeroenA.WM, van Pinneken Bram, Sánchez Clara I.、「医用画像分析における深層学習に関する調査」、Medical画像解析 42 (2017) pp. 60–88 |
| 26 | Minamiee S, Boykov YY, Porikli F, Plaza AJ, 「深層学習を使用した画像セグメンテーション: 調査」、IEEE Trans Pattern Anal Mach Intel 2021 2 17;PP.土井: 10.1109/TPAMI.2021.305996 |
| 27 | シディク、ナヒアン。シディケ、パヘディング。エルキン、コリン。 Devabhaktuni, Vijay, 「医療画像セグメンテーションのための U-Net とそのバリエーション: 理論と応用」 https://arxiv.org/abs/2011.01118 |
| 28 | Zhou T.、Ruan S.、Canu S.、「レビュー: マルチモダリティ融合を使用した医療画像セグメンテーションのための深層学習」、アレイ ボリューム 3 ～ 4, 2019 年 9 月～12 月、 https://doi.org/10.1016/ j.array.2019.100004 |
| 29 | Lei T.、Wang R.、Wan Y.、Du X.、Meng H.、「深層学習を使用した医療画像のセグメンテーション: 調査」 https://arxiv.org/abs/2009.13120 |
| 30 | Liu L, Cheng J, Quan Q, Wu FX, Wang YP, Wang J, 「医療画像セグメンテーションにおける U 字型ネットワークに関する調査」、ニューロコンピューティング。 409 巻、2020 年 10 月 7 日、244 ～ 258 ページ、 https://doi.org/10.1016/j.neucom.2020.05.070 |
| 31 | Willemink MJ, Koszek WA, Hardell C, Wu J, 「機械学習用の医療画像データの準備」、放射線学。 2020年4月; 295(1): 4–15, https://doi.org/10.1148/radiol.2020192224 |
| 32 | Google AI ブログ、「データの不合理な有効性の再考」 https://ai.googleblog.com/2017/07/revisiting-unreasonable-effectness.html |
| 33 | Taha AA, Hanbury A.、「3D 医用画像セグメンテーションを評価するためのメトリクス: 分析、選択、およびツール」、BMC Medical Imaging volume 15, 記事番号: 2, https://doi.org/10.1186/s12880- 015-0068-x |
| 34 | Zhang H, Fritts JE, Goldman SA, 「画像セグメンテーション評価: 教師なし手法の調査」、Computer Vision and Image Understanding Volume 110, Issue 2, 2008 年 5 月、260 ～ 280 ページ、 https://doi.org/10.1016/ j.cviu.2007.08.003 |
| 35 | Cootes TF, Taylor CJ, Cooper DH, Graham J.、アクティブ シェイプ モデル - そのトレーニングとアプリケーション。コンピュータ ビジョンと画像の理解 61, (1)、38–59 (1995) |
| 36 | Bach Cuadra M.、Duray V.、Thiran J.-Ph.、ハンドブック オブ バイオメディカル イメージング、221 ～ 244 ページ、2015 年。 |
| 37 | Shorten Connor, Khoshgoftaar Taghi M.、「深層学習のための画像データ拡張に関する調査」、Journal of Big Data volume 6, 記事番号: 60 (2019) |
| 38 | 画像セグメンテーションのための損失関数、 https://github.com/JunMa11/SegLoss |
| 39 | Ma Jun, JiananChen, 「医療画像セグメンテーションにおける損失の冒険」、Medical Image Analysis Volume 71, 2021 年 7 月、10203, https://www.sciencedirect.com/science/article/abs/pii/S1361841521000815?via%3Dihub |
| 40 | ISO/IEC TS 4213, 情報技術 - 人工知能 - 機械学習分類パフォーマンスの評価 |
3 Terms and definitions
For the purposes of this document, the terms and definitions given in ISO/ASTM 52950, ISO 15708-1, ISO/IEC 2382 and the following apply.
ISO and IEC maintain terminology databases for use in standardization at the following addresses:
3.1
image acquisition
scanning of the structure of interest using computed tomography (CT), magnetic resonance (MR) imaging or other three-dimensional imaging technology
3.2
image annotation
process of attaching labels to an image
3.3
label
classifying phrase or name applied to a target
3.4
learning
<machine learning> process by which a biological or an automatic system gains knowledge or skills that it may use to improve its performance
[SOURCE:ISO/IEC 2382:2015, 2122966, modified — Notes to entry have been removed.]
3.5
segmentation
process of separating the objects of interest from their surroundings
Note 1 to entry: Segmentation can be applicable to 2D, 3D, raster or vector data.
3.6
ground-truth label
correct answer of the training set for segmentation based on supervised learning
3.7
region of interest
ROI
specified boundary as defined in the image
3.8
machine learning
ml
process of optimizing model parameters through computational techniques, such that the model's behaviour reflects the data or experience
[SOURCE:ISO/IEC 22989:2022, 3.3.5]
3.9
labelled data
group of data that have been tagged with one or more labels
3.10
hyperparameter
characteristic of a machine learning algorithm that affects its learning process
Note 1 to entry: Hyperparameters are selected prior to training and can be used in processes to help estimate model parameters.
Note 2 to entry: Examples of hyperparameters include number of network layers, width of each layer, type of activation function, optimization method, learning rate for neural networks; the choice of kernel function in a support vector machine; number of leaves or depth of a tree; the K for K-means clustering; the maximum number of iterations of the expectation maximization algorithm; the number of Gaussians in a Gaussian mixture.
[SOURCE:ISO/IEC 22989:2022, 3.3.4]
3.11
medical image
type of images generated by medical imaging devices
Bibliography
| 1 | ISO/IEC JTC 1-N13604, Study Group Report on 3D Printing and Scanning |
| 2 | ISO/IEC 22989:2022, Information technology — Artificial intelligence — Artificial intelligence concepts and terminology |
| 3 | Current Methods in Medical Image Segmentation, Annu. Rev. Biomed. Eng. 2000. 02:315–37 |
| 4 | ISO/IEC 23053, Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML) |
| 5 | Cruickshank A, Bell D, Moore C, Kernel (image reconstruction for CT). Reference article, Radiopaedia.org (Accessed on 16 Jul 2023) https://doi.org/10.53347/rID-72906 |
| 6 | Ramieri G., Spada M.C., Bianchi S.D., Berrone S., “Dimensions and volumes of the orbit and orbital fat in posttraumatic enophthalmos,” Dentomaxillofac. Radiol. 29, 302–311(2000). |
| 7 | Betts A.M., Brien W.T., Davies B.W., Youssef O.H., “A systematic approach to CT evaluation of orbital trauma,” Emerg. Radiol. 21, 511–531 (2014). |
| 8 | Hardt. N. and Kuttenberger, J., “Radiology of craniofacial fractures,” Craniofacial trauma., 15–29 (2010). |
| 9 | Nysjo J., “Orbit Segmentation for Cranio-Maxillofacial Surgery Planning,” (2011). |
| 10 | Jesper J, Ruud S., Leander D., Thomas J.J.M., Peter J.J.G., Alfred G.B., “Orbital volume analysis: validation of a semi-automatic software segmentation method,” Int. J. CARS 11, 11–18 (2016). |
| 11 | Wagner M.E., Gellrich N.C., Friese K.I., Becker M., Wolter F.E., Lichtenstein J.T., Stoetzer M., Rana M., Essig H., “Model-based segmentation in orbital volume measurement with cone beam computed tomography and evaluation against current concepts,” Int J Comput Assist Radiol Surg. Papers 11(1), 1-9 (2015). |
| 12 | Lamecker H., Kamer L., Wittmers A., Zachow S., Kaup T., Schramm A., Noser H., Hammer B., “A method for the three-dimensional statistical shape analysis of the bony orbit,” Proc. Computer Aided Surgery Around the Head, 94-97 (2007). |
| 13 | Badrinarayanan V., Handa A., Cipolla R., “Segnet: A deep convolutional encoder-decoder architecture for robust semantic pixel-wise labelling,” arXiv preprint arXiv:1505. 07293 (2015). |
| 14 | Lin G., Milan A., Shen C., Reid I.D., “Refinenet: Multipath refinement networks for high-resolution semantic segmentation,” Proc. CVPR 1(2), 5168-5177 (2017). |
| 15 | Ronneberger O., Fischer P., Brox T., “U-net: Convolutional networks for biomedical image segmentation,” In International Conference on Medical image computing and computer-assisted intervention, 234-241, (2015). |
| 16 | Zhao M., Wang L., Chen J., Nie D., Cong Y., Ahmad S. et al., “Craniomaxillofacial Bony Structures Segmentation from MRI with Deep-Supervision Adversarial Learning,” In International Conference on Medical Image Computing and Computer-Assisted Intervention, 720-727 (2018). |
| 17 | ISO/ASTM 52900, Additive manufacturing — General principles — Fundamentals and vocabulary |
| 18 | Kalinic Hrvoje, Atlas-based image segmentation: A Survey." Croatian Scientific Bibliography (2009): 1-7. |
| 19 | Yu Haiping, He Fazhi, Pan Yiteng, A survey of level set method for image segmentation with intensity inhomogeneity." Multimedia Tools and Applications 79.39 (2020): 28525-28549 |
| 20 | ISO 12052:2017, Health informatics — Digital imaging and communication in medicine (DICOM) including workflow and data management |
| 21 | ISO 19233-1:2017, Implants for surgery — Orthopaedic joint prosthesis — Part 1: Procedure for producing parametric 3D bone models from CT data of the knee |
| 22 | Maureen van Eijnatten a, Roelof van Dijk a, Johannes Dobbe b, Geert Streekstra b, Juha Koivisto a, Jan Wolffa, “CT image segmentation methods for bone used in medical additive manufacturing”, Medical Engineering and Physics 51 (2018), pp 6–16 |
| 23 | Nida M., Zaitouna, Musbah J. Aqelb, “Survey on Image Segmentation Techniques”, International Conference on Communication, Management and Information Technology (ICCMIT 2015), Procedia Computer Science 65 (2015) pp. 797 – 806 |
| 24 | Hesamian Mohammad Hesam, Jia Wenjing, He Xiangjian, Kennedy Paul, “Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges”, Journal of Digital Imaging (2019) 32:582–596, https://doi.org/10.1007/s10278-019-00227-x |
| 25 | Litjens Geert, Kooi Thijs, Bejnordi Babak Ehteshami, Arnaud Arindra Adiyoso Setio, Ciompi Francesco, Ghafoorian Mohsen, van der Laak JeroenA.W.M., van Ginneken Bram, Sánchez Clara I., “A survey on deep learning in medical image analysis”, Medical Image Analysis 42 (2017) pp. 60–88 |
| 26 | Minaee S, Boykov YY, Porikli F, Plaza AJ, “Image Segmentation Using Deep Learning: A Survey”, IEEE Trans Pattern Anal Mach Intell . 2021 Feb 17;PP. doi: 10.1109/TPAMI.2021.3059968. |
| 27 | Siddique, Nahian; Sidike, Paheding; Elkin, Colin; Devabhaktuni, Vijay, “U-Net and its variants for medical image segmentation: theory and applications”, https://arxiv.org/abs/2011.01118 |
| 28 | Zhou T., Ruan S., Canu S., “A review: Deep learning for medical image segmentation using multi-modality fusion”, Array Volumes 3–4, September–December 2019, https://doi.org/10.1016/j.array.2019.100004 |
| 29 | Lei T., Wang R., Wan Y., Du X., Meng H., “Medical Image Segmentation Using Deep Learning: A Survey”, https://arxiv.org/abs/2009.13120 |
| 30 | Liu L, Cheng J, Quan Q, Wu FX, Wang YP, Wang J, “A survey on U-shaped networks in medical image segmentations”, Neurocomputing. Volume 409, 7 October 2020, Pages 244-258, https://doi.org/10.1016/j.neucom.2020.05.070 |
| 31 | Willemink MJ, Koszek WA, Hardell C, Wu J, “Preparing medical imaging data for machine learning”, Radiology. April 2020; 295(1): 4–15, https://doi.org/10.1148/radiol.2020192224 |
| 32 | Google AI blog, “Revisiting the Unreasonable Effectiveness of Data”, https://ai.googleblog.com/2017/07/revisiting-unreasonable-effectiveness.html |
| 33 | Taha A.A., Hanbury A., “Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool”, BMC Medical Imaging volume 15, Article number: 29 (2015), https://doi.org/10.1186/s12880-015-0068-x |
| 34 | Zhang H, Fritts JE, Goldman SA, “Image segmentation evaluation: A survey of unsupervised methods”, Computer Vision and Image Understanding Volume 110, Issue 2, May 2008, Pages 260-280, https://doi.org/10.1016/j.cviu.2007.08.003 |
| 35 | Cootes T.F., Taylor C.J., Cooper D.H., Graham J., Active shape models - their training and application. Computer Vision and Image Understanding 61(1), 38–59 (1995) |
| 36 | Bach Cuadra M., Duray V., Thiran J.-Ph., Handbook of Biomedical Imaging, pp. 221-244, 2015. |
| 37 | Shorten Connor, Khoshgoftaar Taghi M., “A survey on Image Data Augmentation for Deep Learning”, Journal of Big Data volume 6, Article number: 60 (2019) |
| 38 | Loss functions for image segmentation, https://github.com/JunMa11/SegLoss |
| 39 | Ma Jun, JiananChen, “Loss odyssey in medical image segmentation”, Medical Image Analysis Volume 71, July 2021, 10203, https://www.sciencedirect.com/science/article/abs/pii/S1361841521000815?via%3Dihub |
| 40 | ISO/IEC TS 4213, Information technology — Artificial intelligence — Assessment of machine learning classification performance |