論文の概要: A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms
- arxiv url: http://arxiv.org/abs/2004.11726v1
- Date: Fri, 24 Apr 2020 13:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 03:52:07.166682
- Title: A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms
- Title（参考訳）: 乳房X線写真における乳癌検出のための2段階多重学習フレームワーク
- Authors: Sarath Chandra K, Arunava Chakravarty, Nirmalya Ghosh, Tandra Sarkar,
Ramanathan Sethuraman, Debdoot Sheet
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.842620686759616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mammograms are commonly employed in the large scale screening of breast
cancer which is primarily characterized by the presence of malignant masses.
However, automated image-level detection of malignancy is a challenging task
given the small size of the mass regions and difficulty in discriminating
between malignant, benign mass and healthy dense fibro-glandular tissue. To
address these issues, we explore a two-stage Multiple Instance Learning (MIL)
framework. A Convolutional Neural Network (CNN) is trained in the first stage
to extract local candidate patches in the mammograms that may contain either a
benign or malignant mass. The second stage employs a MIL strategy for an image
level benign vs. malignant classification. A global image-level feature is
computed as a weighted average of patch-level features learned using a CNN. Our
method performed well on the task of localization of masses with an average
Precision/Recall of 0.76/0.80 and acheived an average AUC of 0.91 on the
imagelevel classification task using a five-fold cross-validation on the
INbreast dataset. Restricting the MIL only to the candidate patches extracted
in Stage 1 led to a significant improvement in classification performance in
comparison to a dense extraction of patches from the entire mammogram.
- Abstract（参考訳）: 乳がんの大規模な検診ではマンモグラムが一般的に用いられており、主に悪性腫瘤の存在が特徴である。
しかし, 腫瘤領域が小さく, 悪性, 良性, 健全な線維粒状組織との鑑別が困難であるため, 画像レベルの悪性度自動検出は困難である。
これらの問題に対処するため、2段階のMIL(Multiple Instance Learning)フレームワークについて検討する。
畳み込みニューラルネットワーク(CNN)は第1段階で訓練され、良性または悪性の腫瘤を含む可能性のあるマンモグラムの局所的な候補パッチを抽出する。
第2段階は、画像レベルの良性と悪性の分類にmil戦略を用いる。
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。
Inbreast データセットの5倍のクロスバリデーションを用いて,画像レベル分類タスクにおいて,平均精度0.76/0.80のマスの局所化処理を行い,平均精度0.91のAUCを達成した。
MILをステージ1で抽出したパッチのみに制限すると,マンモグラム全体からのパッチの高密度抽出と比較して,分類性能が大幅に向上した。
関連論文リスト
- 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) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Deep Superpixel Generation and Clustering for Weakly Supervised
Segmentation of Brain Tumors in MR Images [0.0]
本研究は、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。
われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。
提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
論文 参考訳（メタデータ） (2022-09-20T18:08:34Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Leveraging SLIC Superpixel Segmentation and Cascaded Ensemble SVM for
Fully Automated Mass Detection In Mammograms [1.7205106391379026]
本稿では, グレースケール線形フィルタを用いた形態的拡張を支援する厳密なセグメンテーション法を提案する。
サポートベクターマシン(SVM)の新しいカスケードアンサンブルは、クラス不均衡に効果的に対処し、重要な予測を提供するために使用される。
論文 参考訳（メタデータ） (2020-10-20T15:02:25Z) - 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) - Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography [6.323318523772466]
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。
論文 参考訳（メタデータ） (2020-03-01T09:04:24Z) - Two-stage multi-scale breast mass segmentation for full mammogram
analysis without user intervention [2.7490008316742096]
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。
論文 参考訳（メタデータ） (2020-02-27T13:16:22Z) - 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。