本研究は、MobileNetV2、EfficientNetV1、Inception-ResNet-V2を用いた転移学習を用いて、MRI画像から4クラス脳腫瘍を分類するための軽量な注意ベースの深層学習フレームワークを提示します。このモデルは計算の複雑さを低減し、高い分類精度を実現し、資源制約のある臨床意思決定支援アプリケーションをサポートします。
研究記事
本研究は、MobileNetV2、EfficientNetV1、Inception-ResNet-V2を用いた転移学習を用いて、MRI画像から4クラス脳腫瘍を分類するための軽量な注意ベースの深層学習フレームワークを提示します。このモデルは計算の複雑さを低減し、高い分類精度を実現し、資源制約のある臨床意思決定支援アプリケーションをサポートします。
本研究の目的は、磁気共鳴画像法(MRI)データを用いて、脳腫瘍を膠質腫、髄膜腫、下垂体腫瘍、健康な脳組織の4つのカテゴリーに分類するための軽量かつ正確なディープラーニングフレームワークを構築することです。提案された手法は、転移学習と3つの事前学習済み畳み込みニューラルネットワークモデル(MobileNetV2、EfficientNetV1、Inception-ResNet-V2)を組み合わせ、人間の視覚システムが臨床的に関連した画像領域に集中する能力を模倣する注意メカニズムと統合されています。この注意誘導型アプローチは、無関係な背景情報を抑制しつつ腫瘍の局在性を高めます。このフレームワークは、4つのクラスにまたがる数千枚のラベル付き画像を含む大規模で公開されている脳MRIデータセットで評価されます。標準的な前処理、データ増強、訓練プロトコルが用いられ、提案された手法の直接的な再現を可能にします。実験結果により、EfficientNetV1はMobileNetV2およびInception-ResNet-V2と比べて最高の分類性能を達成しています。本研究は、提案された軽量で注意力ベースのフレームワークが、精度と計算複雑さのバランスを効果的に保ち、特にリソース制約のある環境におけるリアルタイムおよびモバイル医療アプリケーションに非常に適していますと結論づけています。
磁気共鳴画像法(MRI)を用いた脳腫瘍の正確な分類は、臨床診断、治療計画、予後推定において重要な役割を果たします。神経膠腫、髄膜腫、下垂体腫瘍を含む脳腫瘍は、異なる病理学的特徴と治療反応を示します。したがって、早期かつ信頼性の高い同定は治療成果の向上と疾患の進行の抑制に不可欠です。MRIは、優れた軟部組織コントラスト、非侵襲性、そして複数の解剖学的平面にわたる腫瘍形態の可視化能力から、脳腫瘍評価に広く好まれています。しかし、MRIスキャンの手動解釈は時間がかかり、特に腫瘍境界が不規則だったり、腫瘍クラス間で視覚的な類似性が存在する場合に放射線学的専門知識に大きく依存します。その結果、自動化されたコンピュータ支援診断システムは、放射線科医が正確かつ効率的に腫瘍分類を行う上でますます重要になっています。
ディープラーニング(DL)ベースの画像解析技術は、生体医療およびコンピュータビジョンの応用における自動疾患分類を大幅に進歩させました 2,3.神経腫瘍学において、機械学習および転移学習技術は腫瘍検出、分割、分類タスクにおいて有望な性能を示しています。特に畳み込みニューラルネットワーク(CNN)は、手作業の特徴設計に頼らずに、MRIスキャンから階層的な画像特徴を自動的に自動抽出する優れた能力を示しています。CNNアーキテクチャは画像データから識別可能な腫瘍関連表現を学習できるため、従来の機械学習手法と比較して分類性能を向上させます。DLの最近の進歩により、大規模な画像データセットを高精度化し、人間の介入を減らして処理できる高性能画像分類システムの開発が可能になりました。
これらの進歩にもかかわらず、従来のディープCNNアーキテクチャは、高いメモリ消費、パラメータ複雑性の増加、そして長い訓練時間など、かなりの計算資源を必要とすることが多い5.このような計算負荷は、資源制約のある臨床環境やモバイル医療システムでの実装を制限しています。さらに、軽量畳み込みニューラルネットワークアーキテクチャは計算複雑さが低く、低リソースアプリケーションへの適合性から注目を集めています5。最近のいくつかの研究では、最適化されたCNN戦略、効率的な特徴抽出機構、そして予測精度を著しく損なうことなく分類効率を向上させる軽量な展開フレームワークが探られてきました。6,7,8。しかし、MRIベースの脳腫瘍解析においては、計算効率と堅牢な多クラス腫瘍分類性能のバランスを取ることが依然として大きな課題となっています。
注意ベースのディープラーニングフレームワークは、医療画像解析における特徴表現を改善する効果的な解決策として登場しています。注意メカニズムにより、ニューラルネットワークは診断的に関連した画像領域を選択的に強調し、無関係な背景情報は抑制できます。人間の視覚システムに触発された注意誘導アーキテクチャは、腫瘍特異的な空間領域や文脈的特徴に計算的焦点を向けることで識別的特徴学習を向上させます。このようなメカニズムは、腫瘍組織がしばしば不均一な強度パターン、不規則な形態、腫瘍カテゴリー間で重複する視覚特性を示すため、脳腫瘍のMRI解析に特に有益です。したがって、注意モジュールをCNNベースのアーキテクチャに統合することで、分類精度が向上し、特徴の局在化性能を向上させることができます。
いくつかの最近の研究では、自動脳腫瘍診断およびMRIに基づく腫瘍分類におけるDLフレームワークの可能性が示されています(11,12)。GaoらはMRIデータを用いて脳腫瘍診断のためのDLモデルを開発し検証し、自動神経画像解析の強力な分類能力を示しました11。同様に、AbdusalomovらはMRIスキャンを用いたDLベースの脳腫瘍検出手法を調査し、有望な診断性能を報告しました12。これらの研究は分類精度の向上を達成しましたが、データセットの多様性、モデルの一般化、計算要件に関する制約は依然として解決されていません。多くの場合、トレーニングデータセットのサイズが限られていたり、臨床情報源が限られていたため、過剰適合のリスクが高まり、異質な患者集団間でのロバスト性が低下しました。
腫瘍の可視化と特徴抽出を改善するために、マルチモーダルMRI解析および再建技術も検討されています13,14。Sunらは、深層学習再構築フレームワークとノイズ除去戦略を組み合わせたマルチモーダルMRIを用いた膠腫評価を調査しました。彼らの研究は、膠質腫検出精度向上における画像品質向上の重要性を示しました。同様に、SrinivasとRaoは、マルチモーダルMRI脳腫瘍サブリージョン解析のためのDLベースのセグメンテーションフレームワークを提案しました14。彼らのアプローチは腫瘍のサブリージョンの明確化を改善し、個別化された治療計画の実現に貢献しました。しかしながら、マルチモーダルフレームワークは一般的に広範な前処理、増強された計算資源、画像モダリティ間の正確な画像登録を必要とし、実際の臨床環境での適用性を制限する可能性があります。
注意誘導型マルチモーダル融合法も、セグメンテーションの精度向上やMRI特徴統合の改善のために提案されています(15,16,17,18)。Zhouらは、多発性脳腫瘍断片のための注意機構に基づく融合フレームワークを提案しました。この研究は文脈的特徴学習を通じてセグメンテーション性能の向上を示しました。しかし、このアプローチは主に軽度腫瘍分類よりもセグメンテーションに焦点を当てていました。同様に、ZhouとDuは加速MRI再構築のための3Dマルチモーダルネットワークを提案し、Huangらは多モーダル脳腫瘍診断のための適応型多シーケンス融合ネットワークAMF-Netを開発しました。ZhouらはさらにMLMFNetをマルチモーダル加速MRI再構築に提案しました。これらの手法は再構築の品質と特徴の融合能力を向上させましたが、複数のMRIモダリティ、深層アーキテクチャ、計算コストのかかる融合操作に大きく依存していました。こうした要件は、リソースが限られた医療システムやエッジベースの診断プラットフォームでの導入の実現可能性を低下させる可能性があります。
さらに、MRI画像を用いて膠質腫、髄膜腫、下垂体腫瘍の分類に特化したDLフレームワークも調査されています。MokriらはMRIスキャンを用いて3つの主要な脳腫瘍タイプを特定するためのDLベースの分類システムを開発しました19。研究は有望なパフォーマンスを示しましたが、モデルは比較的小さなデータセットに依存しており、軽量な転移学習フレームワークとの比較が不足していました。トランスフォーマーベースのアーキテクチャは、長距離の特徴依存関係や文脈的関係をモデル化できる能力から、近年医療画像分野で注目を集めています。Fengらは、加速MR画像再構築のためのマルチモーダルトランスフォーマーフレームワークを提案しました。彼らの手法は従来の方法に比べて再構築性能を向上させました。しかし、トランスフォーマーアーキテクチャは一般的に膨大な計算資源と大規模な訓練データセットを必要とし、資源制約のある医療システムでの実用的な展開が制限される可能性があります。
転移学習ベースの軽量CNNアーキテクチャは、分類精度を維持しつつ計算複雑さを低減する上で大きな可能性を示している(21,22,23)。Rahmanらは、MobileNetV2と高度な前処理およびファインチューニング手法を組み合わせて脳腫瘍分類の性能向上を示しました21。MobileNetV2は、深度ごとの分離可能な畳み込み、パラメータ数の削減、効率的な特徴抽出により、軽量な医療画像アプリケーションに特に適しています。同様に、EfficientNetベースのフレームワークは、ネットワークの深さ、幅、入力解像度を同時に最適化する複合スケーリング戦略を通じて強力なマルチクラス分類性能を示しています。EfficientNetアーキテクチャは、従来のCNNに比べて計算負荷を抑えつつ、分類効率を向上させます。さらに、Inception-ResNetアーキテクチャは残差学習と効率的な特徴抽出メカニズムを統合し、画像分類性能を向上させています。このようなハイブリッドアーキテクチャは、計算効率を維持しつつ効果的な勾配伝播とより深いネットワーク表現学習を可能にします。
MRIに基づく脳腫瘍の分類には大きな進展が見られていますが、いくつかの制約はまだ解決されていません。多くの既存の手法は、計算集約的なアーキテクチャで分類精度を優先し、展開効率や計算制約を十分に解決していません。他の研究は、直接的な4クラス腫瘍分類ではなく、主にセグメント化、多様性再建、または特徴融合に焦点を当てています。さらに、軽量な転移学習アーキテクチャと注意誘導型特徴学習を統合し、効率的な多クラス脳腫瘍分類を行うフレームワークは比較的少数です。したがって、資源制約の臨床環境において分類精度、軽量な展開、識別的特徴抽出のバランスを取った計算効率の良いフレームワークが依然として必要とされています。
したがって、本研究はMRI画像を用いた4クラス脳腫瘍分類のための軽量注意誘導転移学習フレームワークを提案します。提案されたフレームワークは、MobileNetV2、EfficientNetV1、Inception-ResNet-V2を統合し、診断的に関連した腫瘍領域を選択的に強調しつつ、無関係な背景特徴を抑制する注意メカニズムを用いています。このフレームワークは、特徴識別と分類性能を向上させつつ、計算複雑さを低減することを目指しています。軽量な転移学習のバックボーンと注意誘導型特徴抽出を組み合わせることで、提案されたアプローチは、資源制約の厳しい臨床意思決定支援環境において、MRIベースの自動脳腫瘍分類に効率的かつスケーラブルなソリューションを提供することを目指しています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
本研究は公開されている匿名化されたデータセットを使用しました。したがって、インフォームド・コンセントは必要ありませんでした。提案されたアプローチは、前処理、畳み込みモジュール、注意モジュール、畳み込みと注意モジュールの積分、そして完全連結(FC)層の6つのコンポーネントで構成されています。 図1 は私たちの手法の完全なワークフローを示しています。
データセット取得
ラベル付き脳MRI画像は、4つの腫瘍カテゴリーと正常組織からなる公開されているKaggleデータセットから取得されます。
データ前処理
画像は均一な解像度と強度の正規化にリサイズされます。一般化を改善するために、回転、反転、ズームなどのオプションの補強が適用されます。データセットはトレーニングセット(70%)とテストセット(30%)に分かれています。
モデルアーキテクチャ
ImageNetで事前学習された3つのバックボーンCNN—MobileNetV2、EfficientNetV1、Inception-ResNet-V2—を用いてMRI画像を用いて脳腫瘍を4つのカテゴリーに分類しました。MobileNetV2とEfficientNetV1は入力寸法が224×224ピクセルに設定されており、Inception-ResNet-V2は299ピクセル×入力サイズを必要としました。転移学習プロセスでは、初期の畳み込み層は一般化された画像特徴を保持するために最初に凍結され、上層は脳腫瘍分類用モデルに合わせて微調整されました。各バックボーンには、グローバル平均プーリング、密層、正則化のためのドロップアウト、ソフトマックス活性化関数を含む軽量分類ヘッドが組み合わされ、4つのクラスを予測しました。ドロップアウトは過学習を緩和し、一般化を強化するために実装されました。設計されたアーキテクチャは効率的な特徴抽出と計算負荷の低さを効果的に融合させ、正確な分類を容易にしつつ、資源制限や概念実証シナリオでの展開にも適していました。
注意ベース特徴抽出
入力画像は初期の畳み込み層を経て処理され、その後カスタムの注意モジュールが使用されます。並列最大プーリングと平均プーリングは顕著かつ文脈的特徴を捉え、これらは腫瘍関連領域を強調するために畳み込みによって連結・精緻化されます。
畳み込みバックボーンと融合
注意重視の機能は事前学習済みのバックボーン(MobileNetV2、EfficientNetV1、またはInception-ResNet-V2)に転送されます。高レベルの畳み込み層は論理的に融合され、メモリアクセスを減らし計算効率を向上させています。
分類
平坦化した特徴は、ReLU6の活性化とドロップアウトを伴い、完全連結層を通過させ、最終的な4クラスソフトマックス分類のコンパクトな表現を生成します。
評価
モデルの性能は、正確性、精度、想起性、F1スコア、混同行列を用いてテストセット上で評価されます。
フレームワーク開発
提案された解決策はPythonで実装されており、実行にはKerasを使用します。 表1は ハイパーパラメータを示しています。データセットは70:30の比率でトレーニングセットとテストセットに分割されています。各データセットの最終的なバランスパフォーマンスを示すために、5種類の任意の列車/テストの分割が使用されます。
前処理
入力画像は更新が必要です。なぜなら、MobileNetV2フレームワークが提案された解決策の基盤となるからです。写真から高解像度の特徴を抽出するために、事前学習済みのMobileNetV2モデルを入力次元と組み合わせて使用します。各入力画像は[-1, 1]の範囲内で224×224ピクセルにスケールされます。
畳み込みモデル
MobileNetV2は、計算負荷を最小限に抑えるために設計された効率的な畳み込みニューラルネットワーク(CNN)アーキテクチャを活用することで画像認識を強化します。従来のCNNは高精度を達成しますが、多くの場合、かなりのメモリと処理能力を必要とします。MobileNetV1は深さごとに分離可能な畳み込みの概念を導入し、標準畳み込みを入力のフィルタリングのための深さ方向の畳み込みと特徴量の積分のための点ごとの畳み込みの2つの異なる操作に分けます。MobileNetV2はこの考え方を基に、展開層、深さに基づく畳み込み、射影層、残差接続からなるボトルネック残留ブロックを取り入れています。投影層は特徴チャネルを圧縮し、残留接続はネットワーク全体の情報の流れを促進します。安定性を高め学習性能を向上させるために、畳み込み演算後にReLU6の活性化とバッチ正規化が適用されます。
本研究では、ImageNetで事前学習されたMobileNetV2を特徴抽出のバックボーンモデルとして用い、脳腫瘍分類の計算コストを抑えつ効果的な高水準セマンティック表現を提供しました。各畳み込み層の後には、ReLU6活性化層があり、これはReLU活性化関数の適応であり、サイズは6で最大値となります。また、バッチ正規化層もあります。共通の1x1畳み込み層、平均プーリング層、分類層は残りの17個のボトルネックブロックに適用され、完全なMobileNetV2アーキテクチャを形成しています。ImageNetで事前学習済みのバックボーンネットワークとしてMobileNetV2を使用しました。この場合、MobileNetV2畳み込み層を通過した後、最後の残留ブロックから畳み込み写像が得られます。下位の残留ブロックはより小さな特徴マップを生成します。これらのブロックは、全体的な画像識別のための高水準データを収集しないため、私たちの研究には寄与しません。モデル構築および訓練中、畳み込み層の前のレイヤーは固定され、7×7の3D特徴マップを生成する。数学的には、これは式(1)で次のように表されます。
F1(I) = Conv(I)(1)
ここで、F1(I)は入力画像 I から抽出された畳み込み特徴を表します。
フォーカスモジュール
人間の脳の注意メカニズムは、人々が画像のあらゆる細部よりも重要な視覚入力に自然に注目することを示唆しており、これがこの変換ネットワークの設計の基盤となっています。この考え方から、ディープラーニング研究では多くの注意ベースのモデルが作られています。脳腫瘍表象に見られる空間的相関は、示唆される注意メカニズムによって強調されています。チャネルアテンションモジュールは特徴チャネル間で最も重要な腫瘍関連情報を捉えますが、リージョンアテンションユニットはMRI画像の最も情報量の高い領域を特定します。構造化された注意法を用い、提案された焦点ユニットは識別可能な腫瘍情報を含む領域に焦点を当てます。
特徴表現を改善するために、空間的特徴検出フェーズの前にトップアクティベーションプーリングやバランス型特徴抽出などの技術が用いられます。この戦略により、臨床的に重要な腫瘍領域を強調しつつ、無関係な背景情報を最小限に抑える能力が向上し、分類精度と特徴学習の効率が向上します。2つ目は最大プールテンソルと平均プーリングテンソルの連結です。最後に、シグマ活性化関数と7×7畳み込みフィルターを組み合わせて視覚刺激を活性化します。フォーカスモジュールの各段階は式(2)および(3)に示されています。ここで、バランスドプール(F)∈RHxWx1は平均プーリング演算を表し、MaxPool(F)∈RHxWx1は最大プーリング演算を表します。
F2(I) = [AvgPool(F);MaxPool(F)(2)
これら2つの要素マップを3Dで組み合わせて要素マップを作成できます
F2(I) = ∈ RHxwx1。 F3(I) = σ(f7x7(F2(I))) (3)
ここでσはシグマを示す活性化関数です。注意特性はHxWxCの高さ符号化テンソル(V)、幅(W)、厚さ(C)で表され、F3(I)で表され、f7x7はフィルターサイズの畳み込み演算(7x7)を表します。
注意の融合と畳み込みモデル
単一のエンコーダに依存するネットワークとは対照的に、マルチモーダルマージングユニットは大多数のモダリティに対してはるかに効率的かつ包括的な情報を抽出できます。融合ブロックは、最大限の本質的なクロスモーダル特徴に導くことを目的としています。したがって、腫瘍領域摘出の注意部位を特定できます。これは個々の潜在表現の単純な連結ですが、一部の情報が失われます。したがって、Sitaulaらの基本的な特徴連結法を用いて畳み込みモジュールと観測モジュールの特徴マップを組み合わせて、複合オブジェクトマップが生成されました。これら2つの特徴マップは様々な画像特性の違いを捉えていたため、最大・最小・和ベースの戦略ではなく、単純な連結法を使うことにしました。これにより、双線形法をテンソル積計算の一形態として用いる代替手法よりも計算面で軽量化されています。このような二つの特徴が結合すると、その結果のものは特徴テンソルと呼ばれます。文字Tの集計されたテンソル出力の数学的表現は式(4)で与えられます。
[F1(I), F3(I)] = T(I)(4)
ここでF1(I)はRHxWx1∈、F2(I)∈RHxWx1280です。これらは同じ幅(W)と高さ(H)を持つ3次元テンソルです。さらに、3次元kによる3次元テンソルの作成で連結でき、T(I)∈LxWx1281となります。
完全接続層(FC)
特徴量融合後に一連のFCレイヤーを用いて、形状を変えた体積テンソルを線形特徴ベクトルに変換しました。分類ヘッドは、グローバル平均プーリング層、完全連結の濃密層、ドロップアウト正則化、そしてSoftmax出力層で構成されています。ReLU6の活性化関数が使用され、128単位、ドロップアウト確率は50%です。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
MobileNetV2、EfficientNetV1、Inception-ResNet-V2という3つの事前学習済み深層学習モデルが、MRI画像を用いて4クラスの脳腫瘍分類のために評価されました。
使用データセット
提案されたフレームワークは、Kaggleプラットフォームから入手可能な公開された脳腫瘍MRIデータセットを用いて評価されました。データセットは、正常な脳MRI画像835枚、膠質腫画像826枚、髄膜腫画像822枚、下垂体腫瘍画像827枚で構成されていました。データセットからの代表的なMRIサンプルは 図2に示されています。
MobileNetV2
MobileNetV2モデルは合計2,263,108パラメータを含み、そのうち2,228,996パラメータは訓練可能、34,112パラメータは非訓練可能です。分類性能指...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
精度、リコール、F1スコア、精度に基づくパフォーマンス評価では、MobileNetV2とInception-ResNet-V2の両者が脳腫瘍分類において同等の結果を達成しており、それぞれ合計および加重平均の精度が97〜98%に達していることが明らかになりました。対照的に、EfficientNetは強化された一般化と複利スケーリング戦略により、マクロおよび加重平均指標で99%の精度を達成し、他のモデルを上回っています。これらの発見は、複数クラスMRI腫瘍分類および計算効率の高い特徴学習におけるEfficientNetアーキテクチャの有効性を示す以前の研究と一致しています。同様に、転移学習ベースのMobileNetV2フレームワークは、計算複雑さを抑えつつ、軽量な脳腫瘍分類タスクで高い性能を示してきました21。
EfficientNetV1の性能向上は、ネットワークの深さ、幅、入力解像度のバランスの取れたスケーリングにより、...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
著者には利益相反を主張するものはありません。
本研究に対して外部からの資金援助は受けていません。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
```html
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| Brain MRI Dataset | IEEE | https://dx.doi.org/10.21227/q2vt-tf46 | データセットは機関アクセスでダウンロードされます。MRIデータセットには、4つのクラスが含まれています：グリオーマ、髄膜腫、下垂体腫瘍、正常な脳 |
| CNNアクセラレータ（層融合） | 提案された研究 | — | メモリアクセスを削減し、計算効率を向上させるための上位畳み込み層の論理的融合 |
| カスタムアテンションモジュール | 提案された研究 | — | 最大プーリングと平均プーリングを統合して腫瘍関連の領域を強調するアテンションメカニズム |
| EfficientNetV1 | 事前トレーニング（ImageNet） | 最適な精度と効率性のトレードオフを提供するスケーラブルなCNNアーキテクチャ | |
| Google Colaboratory | https://colab.research.google.com/ | GPUサポートを備えたモデルのトレーニング、評価、実験に使用されるクラウドベースの環境 | |
| Inception-ResNet-V2 | 事前トレーニング（ImageNet） | Inceptionモジュールと残差接続を組み合わせた深層ハイブリッドCNNアーキテクチャ | |
| Keras | v2.6.0 | 高速なモデルプロトタイピング用にTensorFlow上に構築された高レベルニューラルネットワークAPI | |
| Matplotlib | Matplotlib Developers | v3.4.3 | トレーニング曲線、混同行列、パフォーマンス指標のプロットに使用される可視化ライブラリ |
| MobileNetV2 | 事前トレーニング（ImageNet） | モバイルおよびエッジ展開に最適化された軽量CNNバックボーン | |
| NumPy | NumPy Developers | v1.21.4 | 数値演算に使用される主要な科学計算ライブラリ |
| Pandas | Pandas Development Team | v1.3.4 | データセットの組織化とメタデータ処理に使用されるデータ処理および操作ライブラリ |
| Python | Python Software Foundation | v3.8.10 | データの前処理、モデル開発、評価に使用される主要なプログラミング言語 |
| Scikit-learn | Scikit-learn Developers | 最新の安定版 | 精度、再現率、F1スコア、混同行列などのパフォーマンス評価指標に使用 |
| Seaborn | Seaborn Developers | 最新の安定版 | 強化されたグラフィカル分析に使用される高レベルの統計可視化ライブラリ |
| TensorFlow | v2.6.0 | CNNバックボーンとアテンションモジュールを実装するために使用されるエンドツーエンドのディープラーニングフレームワーク |
このJoVE記事のテキストまたは図の再利用許可をリクエスト
許可をリクエスト