論文の概要: Joint 2D-3D Breast Cancer Classification
- arxiv url: http://arxiv.org/abs/2002.12392v1
- Date: Thu, 27 Feb 2020 19:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:32:42.556954
- Title: Joint 2D-3D Breast Cancer Classification
- Title(参考訳): 共同2D-3D乳癌分類
- Authors: Gongbo Liang, Xiaoqin Wang, Yu Zhang, Xin Xing, Hunter Blanton, Tawfiq
Salem, Nathan Jacobs
- Abstract要約: デジタルマンモグラフィー(Digital Mammograms、DMまたは2Dマンモグラフィー)とデジタル乳房トモシンセシス(DBTまたは3Dマンモグラフィー)は、乳がんの診断・診断に使用される2種類のマンモグラフィー画像である。
乳がん分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 22.031221319016353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is the malignant tumor that causes the highest number of cancer
deaths in females. Digital mammograms (DM or 2D mammogram) and digital breast
tomosynthesis (DBT or 3D mammogram) are the two types of mammography imagery
that are used in clinical practice for breast cancer detection and diagnosis.
Radiologists usually read both imaging modalities in combination; however,
existing computer-aided diagnosis tools are designed using only one imaging
modality. Inspired by clinical practice, we propose an innovative convolutional
neural network (CNN) architecture for breast cancer classification, which uses
both 2D and 3D mammograms, simultaneously. Our experiment shows that the
proposed method significantly improves the performance of breast cancer
classification. By assembling three CNN classifiers, the proposed model
achieves 0.97 AUC, which is 34.72% higher than the methods using only one
imaging modality.
- Abstract(参考訳): 乳癌は、女性の癌死亡率が最も高い悪性腫瘍である。
デジタルマンモグラフィ(digital mammogram、dmまたは2d mammogram)とデジタルマンモグラフィ(digital breast tomo synthesis、dbtまたは3d mammogram)は、乳がんの診断と診断のために臨床で用いられる2種類のマンモグラフィ画像である。
放射線技師は通常、両方の画像モダリティを組み合わせて読むが、既存のコンピュータ支援診断ツールは1つの画像モダリティのみを用いて設計されている。
そこで本研究では, 2次元および3次元のマンモグラムを同時に用いる, 乳がん分類のための革新的な畳み込みニューラルネットワーク(cnn)アーキテクチャを提案する。
提案法が乳癌の分類精度を大幅に向上させることを示す。
3つのcnn分類器を組み立てることで、提案したモデルは 0.97 auc を達成し、これは1つのイメージングモダリティのみを使用する方法よりも34.72%高い。
関連論文リスト
- Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - 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) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - 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) - Breast Cancer Classification Using: Pixel Interpolation [0.0]
提案システムは,Mammogram Image Analysis Society (MIAS)の画像データベースから得られた複数の画像に対して,プログラムを用いて実装し,テストする。
このシステムはより高速に動作し、あらゆる放射線技師が視覚検査によって石灰化の出現について明確な決定を下すことができる。
論文 参考訳(メタデータ) (2021-11-03T16:58:17Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Predicting invasive ductal carcinoma using a Reinforcement Sample
Learning Strategy using Deep Learning [0.951828574518325]
浸潤性管癌の死因は女性で2番目に多い。
特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。
本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-26T14:14:45Z) - 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) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳(メタデータ) (2020-05-29T21:23:00Z) - 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。