PURPOSE Dysphagia has a large impact on the society because it is a risk factor of malnutrition and aspiration pneumonia, and therefore, it is necessary to elucidate the entire mechanism of dysphagia. In this study, we propose a segmentation method of cervical intervertebral disks (CIDs) in videofluorography (VF) by use of patch-based convolutional neural network (CNN), our multi-channelization (MC) method and image feature selection. METHODS Twenty image filters are individually applied to a VF frame image to generate feature images. One color image, called a multi-channelized image, is generated by setting three selected feature images to its red, green and blue channels. Patch-based CNN is applied to the MC image, and the segmentation accuracy of CIDs is evaluated by the pixel-based F-measure. The combination of the three feature images is optimized by the simulated annealing method. RESULTS The proposed method was applied to actual VF dataset consisting of 19 patients and 39 healthy participants. The segmentation accuracy was 59.3% in the F-measure when Sobel and morphological top-hat filters were selected in MC, whereas it was 56.2% when original frame images were used. CONCLUSION The experimental results demonstrated that the proposed method was able to segment CIDs from actual VF and also that the MC method was able to increase the segmentation accuracy by approximately 3%. In this study, LeNet was used as CNN. One of our future tasks is to use other CNNs.

中文翻译：

---

CNN，多通道化和特征选择在视频荧光照相术中对颈椎间盘的分割。

目的吞咽困难是营养不良和吸入性肺炎的危险因素，因此对社会影响很大，因此有必要阐明吞咽困难的整个机制。在这项研究中，我们提出了使用基于补丁的卷积神经网络（CNN），我们的多通道化（MC）方法和图像特征选择，在视频透视（VF）中对颈椎间盘（CID）进行分割的方法。方法二十个图像滤镜分别应用于VF帧图像以生成特征图像。通过将三个选定的特征图像设置为其红色，绿色和蓝色通道，可以生成一种彩色图像，称为多通道图像。将基于补丁的CNN应用于MC图像，并通过基于像素的F度量评估CID的分割精度。通过模拟退火方法优化了三个特征图像的组合。结果该方法被应用于包括19名患者和39名健康参与者的实际VF数据集。在MC中选择Sobel和形态学礼帽式滤波器时，在F度量中，分割精度为59.3％，而在使用原始帧图像时，分割精度为56.2％。结论实验结果表明，该方法能够从实际的VF中分割出CID，并且MC方法能够将分割精度提高大约3％。在这项研究中，LeNet被用作CNN。我们未来的任务之一是使用其他CNN。在MC中选择Sobel和形态学礼帽式滤波器时，在F度量中，分割精度为59.3％，而在使用原始帧图像时，分割精度为56.2％。结论实验结果表明，该方法能够从实际的VF中分割出CID，并且MC方法能够将分割精度提高大约3％。在这项研究中，LeNet被用作CNN。我们未来的任务之一是使用其他CNN。在MC中选择Sobel和形态学礼帽式滤波器时，在F度量中，分割精度为59.3％，而在使用原始帧图像时，分割精度为56.2％。结论实验结果表明，该方法能够从实际的VF中分割出CID，并且MC方法能够将分割精度提高大约3％。在这项研究中，LeNet被用作CNN。我们未来的任务之一是使用其他CNN。LeNet被用作CNN。我们未来的任务之一是使用其他CNN。LeNet被用作CNN。我们未来的任务之一是使用其他CNN。