論文の概要: A Hypersensitive Breast Cancer Detector
- arxiv url: http://arxiv.org/abs/2001.08382v1
- Date: Thu, 23 Jan 2020 05:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 12:45:37.502240
- Title: A Hypersensitive Breast Cancer Detector
- Title（参考訳）: 高感度乳癌検出装置
- Authors: Stefano Pedemonte, Brent Mombourquette, Alexis Goh, Trevor Tsue, Aaron
Long, Sadanand Singh, Thomas Paul Matthews, Meet Shah, and Jason Su
- Abstract要約: 乳がんの早期検診では生存率が20～35%上昇した。
商用コンピュータ支援検出 (CADe) ソフトウェアは、検出スペクトルに対する感度の低いフルフィールドデジタルマンモグラフィー (FFDM) 画像の解釈を改善することができなかった。
本研究では,マンモグラフィー的に有意な所見のゆるやかな境界ボックスを持つ大規模なFFDM画像を利用して,極度に感度の高い深層学習検出器を訓練する。
- 参考スコア（独自算出の注目度）: 3.253136248759443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection of breast cancer through screening mammography yields a
20-35% increase in survival rate; however, there are not enough radiologists to
serve the growing population of women seeking screening mammography. Although
commercial computer aided detection (CADe) software has been available to
radiologists for decades, it has failed to improve the interpretation of
full-field digital mammography (FFDM) images due to its low sensitivity over
the spectrum of findings. In this work, we leverage a large set of FFDM images
with loose bounding boxes of mammographically significant findings to train a
deep learning detector with extreme sensitivity. Building upon work from the
Hourglass architecture, we train a model that produces segmentation-like images
with high spatial resolution, with the aim of producing 2D Gaussian blobs
centered on ground-truth boxes. We replace the pixel-wise $L_2$ norm with a
weak-supervision loss designed to achieve high sensitivity, asymmetrically
penalizing false positives and false negatives while softening the noise of the
loose bounding boxes by permitting a tolerance in misaligned predictions. The
resulting system achieves a sensitivity for malignant findings of 0.99 with
only 4.8 false positive markers per image. When utilized in a CADe system, this
model could enable a novel workflow where radiologists can focus their
attention with trust on only the locations proposed by the model, expediting
the interpretation process and bringing attention to potential findings that
could otherwise have been missed. Due to its nearly perfect sensitivity, the
proposed detector can also be used as a high-performance proposal generator in
two-stage detection systems.
- Abstract（参考訳）: 乳がん検診による早期発見は生存率を20～35%向上させるが,乳がん検診を希望する女性の人口増加に対応する放射線科医は少ない。
商用コンピュータ支援検出ソフトウェア(CADe)は、何十年にもわたって放射線技師に利用されてきたが、検出スペクトルに対する感度の低いフルフィールドデジタルマンモグラフィー(FFDM)画像の解釈を改善することはできなかった。
本研究では,マンモグラフィー的に有意な所見のゆるやかな境界ボックスを持つ大規模なFFDM画像を利用して,極度に感度の高いディープラーニング検出器を訓練する。
砂時計アーキテクチャによる作業に基づいて,空間分解能の高いセグメンテーション的な画像を生成するモデルを訓練し,地中箱を中心とした2次元ガウスブロブの生成を目標とした。
画素単位の$L_2$ノルムを、高感度な非対称な偽陽性と偽陰性を実現するために設計された弱スーパービジョン損失に置き換えると同時に、不整合予測における耐性を許容することにより、ゆるい有界箱の雑音を和らげる。
得られたシステムは、画像ごとに4.8個の偽陽性マーカーしか持たない悪性所見の0.99の感度を達成する。
CADeシステムで利用される場合、このモデルは、無線技師がモデルが提案する場所のみに注意を集中させ、解釈プロセスの迅速化と、他の方法で見逃された可能性のある潜在的な発見に注意を向けることのできる、新しいワークフローを可能にする。
ほぼ完全な感度のため、2段階検出システムでは高性能な提案生成器としても使用できる。
関連論文リスト
- Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。
小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。
この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文 参考訳（メタデータ） (2023-09-22T14:02:22Z) - Detecting the Sensing Area of A Laparoscopic Probe in Minimally Invasive
Cancer Surgery [6.0097646269887965]
外科腫瘍学では、外科医がリンパ節を同定し、がんを完全に切除することは困難である。
新しいテザリングラパロスコープガンマ検出器を用いて、術前に注入された放射線を局在させる。
ガンマ活動の可視化は、プローブが非イメージングであり、組織表面の活性を視覚的に示さないため、オペレーターに提示することが困難である。
論文 参考訳（メタデータ） (2023-07-07T15:33:49Z) - DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease
Attention for Multi-Label Lesion Detection in Chest X-rays [1.3367903535457364]
胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。
画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
論文 参考訳（メタデータ） (2023-06-23T23:19:27Z) - 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) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data Augmentation and Hard Boundary Box Training [2.254041925375415]
提案システムは,90.2%の胃癌に対する感度(SE)を専門家(85.5%)より高い精度で達成する。
検出された5つの候補ボックスのうち2つは癌であり、画像当たり0.01秒の速度で画像を処理しながら高い精度を維持している。
論文 参考訳（メタデータ） (2021-08-18T14:04:52Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D
Detection Network [18.31577982955252]
良性腫瘍145例,悪性腫瘍273例の418例を対象に,本ネットワークの有効性を検証した。
実験により, ネットワークの感度は97.66%, 1.23偽陽性 (FPs) であり, 曲線(AUC) 値0.8720以下の領域を有することがわかった。
論文 参考訳（メタデータ） (2020-07-31T15:25:07Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳（メタデータ） (2020-03-23T01:26:36Z)
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。