論文の概要: Understanding the robustness of deep neural network classifiers for breast cancer screening

• arxiv url: http://arxiv.org/abs/2003.10041v1
• Date: Mon, 23 Mar 2020 01:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 23:21:58.812296
• Title: Understanding the robustness of deep neural network classifiers for breast cancer screening
• Title（参考訳）: 乳癌検診におけるディープニューラルネットワーク分類器の堅牢性の検討
• Authors: Witold Oleszkiewicz, Taro Makino, Stanis{\l}aw Jastrz\k{e}bski, Tomasz Trzci\'nski, Linda Moy, Kyunghyun Cho, Laura Heacock, Krzysztof J. Geras
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.50078591615855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) show promise in breast cancer screening, but their robustness to input perturbations must be better understood before they can be clinically implemented. There exists extensive literature on this subject in the context of natural images that can potentially be built upon. However, it cannot be assumed that conclusions about robustness will transfer from natural images to mammogram images, due to significant differences between the two image modalities. In order to determine whether conclusions will transfer, we measure the sensitivity of a radiologist-level screening mammogram image classifier to four commonly studied input perturbations that natural image classifiers are sensitive to. We find that mammogram image classifiers are also sensitive to these perturbations, which suggests that we can build on the existing literature. We also perform a detailed analysis on the effects of low-pass filtering, and find that it degrades the visibility of clinically meaningful features called microcalcifications. Since low-pass filtering removes semantically meaningful information that is predictive of breast cancer, we argue that it is undesirable for mammogram image classifiers to be invariant to it. This is in contrast to natural images, where we do not want DNNs to be sensitive to low-pass filtering due to its tendency to remove information that is human-incomprehensible.
• Abstract（参考訳）: 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。 この主題には、潜在的に構築可能な自然画像の文脈において、広範な文献が存在する。 しかし,この2つの画像間に有意な差異があるため,頑健性に関する結論が自然画像からマンモグラム画像に移されるとは考えられない。 結論が伝達されるかどうかを判断するために,放射線技師レベルのマンモグラム画像分類器の感度を,自然画像分類器が敏感である4つの入力摂動に対して測定する。 マンモグラム画像分類器もこれらの摂動に敏感であり,既存の文献に基づいて構築できることが示唆された。 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,マイクロ石灰化と呼ばれる臨床的意義のある特徴の視認性を低下させることを示した。 低パスフィルタは乳癌の予測に意味的に有意な情報を除去するので,マンモグラム画像分類器がそれに不変であることは望ましくない。 これは、人間の理解できない情報を除去する傾向があるため、DNNが低域フィルタリングに敏感になることを望まない自然画像とは対照的である。

関連論文リスト

• Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
  本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。 病理像を良性群と悪性群に迅速かつ自動分類することができる。 本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:08:05Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Explainable AI and susceptibility to adversarial attacks: a case study in classification of breast ultrasound images [5.50791468454604]
  CNN法は乳房の超音波像を良性または悪性に分類する有望な結果を示している。 しかし、CNN推論はブラックボックスモデルとして機能し、その決定は解釈できない。 本研究では、これらの重要地図を劇的に変更するために、事実上検出不可能な敵攻撃をどのように考案するかを分析する。
  論文  参考訳（メタデータ） (2021-08-09T23:52:16Z)
• 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)
• 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)
• A Hypersensitive Breast Cancer Detector [3.253136248759443]
  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。
  論文  参考訳（メタデータ） (2020-01-23T05:44:39Z)

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。