Fugu-MT 論文翻訳(概要): Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis

論文の概要: Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis

arxiv url: http://arxiv.org/abs/2001.08381v1
Date: Thu, 23 Jan 2020 05:44:11 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 12:46:07.514884
Title: Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis
Title（参考訳）: フルフィールドデジタルマンモグラフィーによる深層学習悪性度モデルの乳房トモ合成への応用
Authors: Sadanand Singh, Thomas Paul Matthews, Meet Shah, Brent Mombourquette, Trevor Tsue, Aaron Long, Ranya Almohsen, Stefano Pedemonte, and Jason Su
Abstract要約: デジタル乳房トモシンセシス (DBT) は, 感度と特異性を高めることにより, 従来のマンモグラフィーを改善する。深層学習(DL)モデルは主に2次元フルフィールドデジタルマンモグラフィ(FFDM)やスキャンされたフィルム画像に基づいて開発されている。
参考スコア（独自算出の注目度）: 3.8954120406920336
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mammography-based screening has helped reduce the breast cancer mortality rate, but has also been associated with potential harms due to low specificity, leading to unnecessary exams or procedures, and low sensitivity. Digital breast tomosynthesis (DBT) improves on conventional mammography by increasing both sensitivity and specificity and is becoming common in clinical settings. However, deep learning (DL) models have been developed mainly on conventional 2D full-field digital mammography (FFDM) or scanned film images. Due to a lack of large annotated DBT datasets, it is difficult to train a model on DBT from scratch. In this work, we present methods to generalize a model trained on FFDM images to DBT images. In particular, we use average histogram matching (HM) and DL fine-tuning methods to generalize a FFDM model to the 2D maximum intensity projection (MIP) of DBT images. In the proposed approach, the differences between the FFDM and DBT domains are reduced via HM and then the base model, which was trained on abundant FFDM images, is fine-tuned. When evaluating on image patches extracted around identified findings, we are able to achieve similar areas under the receiver operating characteristic curve (ROC AUC) of $\sim 0.9$ for FFDM and $\sim 0.85$ for MIP images, as compared to a ROC AUC of $\sim 0.75$ when tested directly on MIP images.
Abstract（参考訳）: マンモグラフィーによる検診は乳がん死亡率の低下に役立っているが、特異性の低下や不必要な検査や処置、感度の低下などによる潜在的な害と関係している。乳房のデジタルトモシンセシス (DBT) は, 感度と特異性の両方を増大させることにより, 従来のマンモグラフィーの改善に寄与する。しかし,従来の2次元フルフィールドデジタルマンモグラフィ(ffdm)や走査型フィルム画像を中心に,ディープラーニング(dl)モデルが開発されている。注釈付きDBTデータセットが不足しているため、DBT上でモデルをスクラッチからトレーニングすることは困難である。本研究では,FFDM画像に基づいて訓練されたモデルをDBT画像に一般化する手法を提案する。特に、平均ヒストグラムマッチング(HM)とDL微細調整法を用いて、FFDMモデルをDBT画像の2次元最大強度投影(MIP)に一般化する。提案手法では, FFDM領域とDBT領域の差をHMにより低減し, FFDM画像に基づいて訓練したベースモデルを微調整する。特定された所見の周辺で抽出された画像パッチについて評価すると、ffdmでは$\sim 0.9$、mipでは$\sim 0.85$、mipイメージで直接テストすると$\sim 0.75$であるのに対し、受信者の動作特性曲線(roc auc)の下で同様の領域を達成することができる。

関連論文リスト

Cross-modality image synthesis from TOF-MRA to CTA using diffusion-based models [36.136619420474766]
Computed Tomography Angiography (CTA) と Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) は2つの一般的な非侵襲的血管造影技術である。そこで本研究では,TOF-MRA入力から合成CTA画像を生成するために,拡散に基づく画像から画像への変換モデルを提案する。
論文参考訳（メタデータ） (2024-09-16T08:43:37Z)
A training regime to learn unified representations from complementary breast imaging modalities [0.20971479389679332]
FDM(Full Field Digital Mammograms)とDBT(Digital Breast Tomo synthesis)は、乳がん検診において最も広く用いられている画像モダリティである。 FFDMとDBTの両方から補完的な診断信号を利用する高レベル表現を学習する機械学習手法を提案する。
論文参考訳（メタデータ） (2024-08-16T06:52:06Z)
CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis [4.371794161279236]
本稿では, 病変検出の実用性を向上させるための新しいフレームワークであるCoMoToを提案する。病変特異的知識蒸留(LsKD)とイントラモーダルポイントアライメント(ImPA)の2つの新しいコンポーネントを提案する。総合評価の結果,CoMoToは従来の事前学習や画像レベルのKDよりも優れており,低データ環境下での平均感度が7%向上していることがわかった。
論文参考訳（メタデータ） (2024-07-24T20:17:05Z)
SIFT-DBT: Self-supervised Initialization and Fine-Tuning for Imbalanced Digital Breast Tomosynthesis Image Classification [3.665816629105171]
乳がん検診・診断において,Digital Breast Tomo synthesis (DBT) が広く用いられている。画像の異常を識別するために,ビューレベルのコントラスト型自己監督初期化とファインチューニングを用いた新しい手法を提案する。提案手法は92.69%の量的AUCを970のユニークな研究で評価する。
論文参考訳（メタデータ） (2024-03-19T20:52:31Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文参考訳（メタデータ） (2022-11-01T07:41:03Z)
High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文参考訳（メタデータ） (2022-09-20T15:57:12Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
Impact of loss functions on the performance of a deep neural network designed to restore low-dose digital mammography [8.041868861658]
階層的なスキップ接続を持つResNetアーキテクチャは、低線量デジタルマンモグラフィーを復元するために提案されている。振り返りマンモグラフィ検査の400枚の画像から256,000枚の画像パッチを抽出した。実際のシナリオでネットワークを検証するために、実際の低線量および標準のフル線量画像を取得するために、物理的人為的母乳ファントムを使用した。
論文参考訳（メタデータ） (2021-11-12T14:15:08Z)
ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文参考訳（メタデータ） (2021-02-25T14:52:23Z)
Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。一般的に使用されるものよりも頑丈である。大規模な最適化の観点からも同じ利点を享受しながら、正方損失。私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文参考訳（メタデータ） (2020-12-06T03:41:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。