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
- Class Activation Map-based Weakly supervised Hemorrhage Segmentation
using Resnet-LSTM in Non-Contrast Computed Tomography images [0.06269281581001895]
非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。
ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。
画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
論文 参考訳(メタデータ) (2023-09-28T17:32:19Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT [7.712142153700843]
我々は,切欠き拡散確率モデル(DDPM)を,サブボリュームベーススパースビュー胸部CT画像再構成のための並列フレームワークに変換する。
実験により, 本手法は, 標準放射線線量の半分から3分の1の競争再建性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-03-22T18:55:43Z) - Diffusion Denoising for Low-Dose-CT Model [0.0]
本研究では,条件付きサンプリングを用いたノイズフリーCT画像を生成するDDLMと呼ばれるDNOising Diffusion LDCTモデルを提案する。
LDCT画像を用いた実験では,他の最先端手法よりも少ない推論時間を用いてDDLMの同等の性能を示した。
論文 参考訳(メタデータ) (2023-01-27T01:11:42Z) - 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) - 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) - Deep learning reconstruction of digital breast tomosynthesis images for
accurate breast density and patient-specific radiation dose estimation [2.850087261713]
擬似3D技術であるデジタル乳房トモシンセシスは、現在では乳がん検診や診断に一般的に用いられている。
本研究では,これらのタスクに特化して最適化されたディープラーニングに基づく再構成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-11T15:26:00Z)
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。