論文の概要: Two-stage multi-scale breast mass segmentation for full mammogram
analysis without user intervention
- arxiv url: http://arxiv.org/abs/2002.12079v2
- Date: Tue, 8 Dec 2020 09:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:16:59.098386
- Title: Two-stage multi-scale breast mass segmentation for full mammogram
analysis without user intervention
- Title（参考訳）: フルマンモグラフィー解析のための2段階多段階乳房腫瘤分割法
- Authors: Yutong Yan, Pierre-Henri Conze, Gwenol\'e Quellec, Mathieu Lamard,
B\'eatrice Cochener, Gouenou Coatrieux
- Abstract要約: マンモグラフィーは乳がんの早期発見と診断に使用される主要な画像モダリティである。
各種の乳腺異常のうち,乳腺癌では腫瘤が最も重要な臨床所見である。
高分解能フルマンモグラムから正確な質量輪郭を提供する2段階のマルチスケールパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 2.7490008316742096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mammography is the primary imaging modality used for early detection and
diagnosis of breast cancer. X-ray mammogram analysis mainly refers to the
localization of suspicious regions of interest followed by segmentation,
towards further lesion classification into benign versus malignant. Among
diverse types of breast abnormalities, masses are the most important clinical
findings of breast carcinomas. However, manually segmenting breast masses from
native mammograms is time-consuming and error-prone. Therefore, an integrated
computer-aided diagnosis system is required to assist clinicians for automatic
and precise breast mass delineation. In this work, we present a two-stage
multi-scale pipeline that provides accurate mass contours from high-resolution
full mammograms. First, we propose an extended deep detector integrating a
multi-scale fusion strategy for automated mass localization. Second, a
convolutional encoder-decoder network using nested and dense skip connections
is employed to fine-delineate candidate masses. Unlike most previous studies
based on segmentation from regions, our framework handles mass segmentation
from native full mammograms without any user intervention. Trained on INbreast
and DDSM-CBIS public datasets, the pipeline achieves an overall average Dice of
80.44% on INbreast test images, outperforming state-of-the-art. Our system
shows promising accuracy as an automatic full-image mass segmentation system.
Extensive experiments reveals robustness against the diversity of size, shape
and appearance of breast masses, towards better interaction-free computer-aided
diagnosis.
- Abstract（参考訳）: マンモグラフィーは乳がんの早期発見と診断に使用される主要な画像モダリティである。
X線マンモグラフィー解析は、主に興味のある領域の局所化とセグメンテーション、さらに良性と悪性に分類することを指す。
各種の乳腺異常のうち,乳腺癌では腫瘤が最も重要な臨床所見である。
しかし, 乳房腫瘤をネイティブマンモグラムから手動で抽出することは, 時間と誤差が伴う。
そのため, 自動的, 正確に乳房腫瘤郭清を行うために, 統合コンピュータ支援診断システムが必要となる。
本研究では,高分解能フルマンモグラムから正確な質量輪郭を提供する2段階のマルチスケールパイプラインを提案する。
まず, マルチスケール核融合戦略を統合した拡張深度検出器を提案する。
第2に,ネスト化および密集したスキップ接続を用いた畳み込みエンコーダ・デコーダネットワークを用いて候補質量を微調整する。
地域ごとのセグメンテーションに基づく従来の研究とは異なり、我々のフレームワークはユーザー介入なしにネイティブのフルマンモグラフィーからのマスセグメンテーションを処理する。
INbreastとDDSM-CBISの公開データセットでトレーニングされたパイプラインは、Inbreastテストイメージで全体の80.44%のDiceを達成し、最先端のパフォーマンスを達成している。
本システムは自動全画像マスセグメンテーションシステムとして有望な精度を示す。
広範囲な実験により、乳房の大きさ、形状、外観の多様性に対する堅牢性が示され、より対話性のないコンピュータ支援診断に向けた。
関連論文リスト
- Breast Ultrasound Report Generation using LangChain [58.07183284468881]
本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。
本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
論文 参考訳（メタデータ） (2023-12-05T00:28:26Z) - Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。
実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
論文 参考訳（メタデータ） (2023-02-22T03:02:52Z) - 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) - Act Like a Radiologist: Towards Reliable Multi-view Correspondence
Reasoning for Mammogram Mass Detection [49.14070210387509]
マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。
AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。
2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
論文 参考訳（メタデータ） (2021-05-21T06:48:34Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳（メタデータ） (2021-04-05T13:15:22Z) - DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文 参考訳（メタデータ） (2021-01-24T03:30:59Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳（メタデータ） (2020-09-27T16:42:59Z) - On segmentation of pectoralis muscle in digital mammograms by means of
deep learning [1.7114784273243784]
本稿では,データ駆動予測とグラフベース画像処理を組み合わせた2段階のセグメンテーション戦略を提案する。
提案手法では,乳房-胸部境界の位置を予測するために,畳み込みニューラルネットワーク(CNN)を用いる。
比較分析の結果,最先端技術よりも大幅に改善され,モデルフリーで完全自動処理が可能となった。
論文 参考訳（メタデータ） (2020-08-29T03:38:11Z) - Automatic elimination of the pectoral muscle in mammograms based on
anatomical features [0.0]
デジタルマンモグラフィー検査は、ヒト乳癌組織の異常を早期に検出する最も一般的な手法である。
胸部筋の存在は乳腺病変の検出に影響を及ぼす可能性がある。
この問題に対処するための解剖学的特徴に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-17T20:36:46Z) - A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms [13.842620686759616]
乳がんの大規模検診ではマンモグラムが一般的に用いられる。
画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。
グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。
画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
論文 参考訳（メタデータ） (2020-04-24T13:06:47Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。