論文の概要: Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography
- arxiv url: http://arxiv.org/abs/2003.01109v1
- Date: Sun, 1 Mar 2020 09:04:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:13:46.788548
- Title: Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography
- Title（参考訳）: 被疑者から学ぶ : マンモグラフィにおける乳癌検出のためのブートストラップ性能
- Authors: Li Xiao, Cheng Zhu, Junjun Liu, Chunlong Luo, Peifang Liu, Yi Zhao
- Abstract要約: 対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。
まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。
以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
- 参考スコア（独自算出の注目度）: 6.323318523772466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning object detection algorithm has been widely used in medical
image analysis. Currently all the object detection tasks are based on the data
annotated with object classes and their bounding boxes. On the other hand,
medical images such as mammography usually contain normal regions or objects
that are similar to the lesion region, and may be misclassified in the testing
stage if they are not taken care of. In this paper, we address such problem by
introducing a novel top likelihood loss together with a new sampling procedure
to select and train the suspected target regions, as well as proposing a
similarity loss to further identify suspected targets from targets. Mean
average precision (mAP) according to the predicted targets and specificity,
sensitivity, accuracy, AUC values according to classification of patients are
adopted for performance comparisons. We firstly test our proposed method on a
private dense mammogram dataset. Results show that our proposed method greatly
reduce the false positive rate and the specificity is increased by 0.25 on
detecting mass type cancer. It is worth mention that dense breast typically has
a higher risk for developing breast cancers and also are harder for cancer
detection in diagnosis, and our method outperforms a reported result from
performance of radiologists. Our method is also validated on the public Digital
Database for Screening Mammography (DDSM) dataset, brings significant
improvement on mass type cancer detection and outperforms the most
state-of-the-art work.
- Abstract（参考訳）: 深層学習物体検出アルゴリズムは医用画像解析に広く用いられている。
現在、すべてのオブジェクト検出タスクは、オブジェクトクラスとそのバウンディングボックスでアノテートされたデータに基づいている。
一方、マンモグラフィーなどの医療画像は、通常、病変領域に類似した正常な領域や物体を含んでおり、治療を受けない場合、検査段階において誤分類されることがある。
本稿では, ターゲット領域の選択と訓練を行う新しいサンプリング手法とともに, ターゲットから被疑対象をさらに識別するために類似度損失を提案することで, 新たなトップラチュエーション損失を導入することで, この問題に対処した。
患者分類による平均平均精度 (mAP) を, 予測目標, 特異度, 感度, 精度, AUC値を用いて評価した。
まず,提案手法を民間の密集マンモグラムデータセットでテストした。
以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
乳腺の濃厚化は乳がんの発症リスクが高く, 診断における癌検出が困難であり, 放射線科医の成績で報告された結果よりも優れていた。
本手法は, DDSM(Digital Database for Screening Mammography)データセット上でも検証され, 質量型癌検出の大幅な改善と, 最先端の成果に優れる。
関連論文リスト
- Mammographic Breast Positioning Assessment via Deep Learning [0.0]
マンモグラフィーにおける不適切な位置決めは、診断ミス、患者のストレスの増加、リコールによるコストの上昇につながる可能性がある。
本稿では,マンモグラム位置決め品質を定量的に評価するための新しいディープラーニング(DL)手法を提案する。
本手法は, 乳頭筋, 乳頭筋などの重要な解剖学的特徴を同定し, 自動的に後乳頭線(PNL)を描出する。
以上の結果から,注意機構とCoordConvモジュールを組み込んだモデルでは乳房位置決め精度が向上することが示唆された。
論文 参考訳（メタデータ） (2024-07-15T15:14:10Z) - Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T10:22:14Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - 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) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳（メタデータ） (2022-07-13T23:53:09Z) - 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) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Discriminative Localized Sparse Representations for Breast Cancer
Screening [0.0]
乳がんの早期発見と診断は、その死亡率を低下させ、生活の質を向上させる可能性がある。
CAD(Computer-Aided Detection)とCAD(Computer-Aided diagnosis)技術は,人間の読影の負担を軽減することを約束している。
スパース解析技術は、画像パターンを表現および認識するための関連する結果を生み出している。
論文 参考訳（メタデータ） (2020-11-20T04:15:17Z) - Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。
本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。
提案法はマンモグラフィー画像から乳癌検出に適応する。
論文 参考訳（メタデータ） (2020-08-24T09:00:30Z)
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。