論文の概要: Deep Doubly Supervised Transfer Network for Diagnosis of Breast Cancer with Imbalanced Ultrasound Imaging Modalities

• arxiv url: http://arxiv.org/abs/2007.06634v1
• Date: Mon, 29 Jun 2020 07:32:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:18:28.966811
• Title: Deep Doubly Supervised Transfer Network for Diagnosis of Breast Cancer with Imbalanced Ultrasound Imaging Modalities
• Title（参考訳）: 不均衡超音波画像を用いた乳癌診断のための深達度教師付きトランスファーネットワーク
• Authors: Han Xiangmin, Wang Jun, Zhou Weijun, Chang Cai, Ying Shihui and Shi Jun
• Abstract要約: エラストグラフィー超音波(EUS)は、乳がんの診断にBモード超音波(BUS)の生体力学的インフォームを提供する。 農村部病院におけるEUS装置の欠如は、乳がんに対するコンピュータ支援診断(CAD)において、新しいモダリティの不均衡問題を引き起こす。 本稿では,Learning Using Privileged Information (LUPI) パラダイムと最大平均離散性 (MMD) 基準を統合深層TLフレームワークに組み込んだ新しい2重教師付きTLネットワーク(DDSTN)を提案する。
• 参考スコア（独自算出の注目度）: 1.017815799712437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Elastography ultrasound (EUS) provides additional bio-mechanical in-formation about lesion for B-mode ultrasound (BUS) in the diagnosis of breast cancers. However, joint utilization of both BUS and EUS is not popular due to the lack of EUS devices in rural hospitals, which arouses a novel modality im-balance problem in computer-aided diagnosis (CAD) for breast cancers. Current transfer learning (TL) pay little attention to this special issue of clinical modality imbalance, that is, the source domain (EUS modality) has fewer labeled samples than those in the target domain (BUS modality). Moreover, these TL methods cannot fully use the label information to explore the intrinsic relation between two modalities and then guide the promoted knowledge transfer. To this end, we propose a novel doubly supervised TL network (DDSTN) that integrates the Learning Using Privileged Information (LUPI) paradigm and the Maximum Mean Discrepancy (MMD) criterion into a unified deep TL framework. The proposed algorithm can not only make full use of the shared labels to effectively guide knowledge transfer by LUPI paradigm, but also perform additional super-vised transfer between unpaired data. We further introduce the MMD criterion to enhance the knowledge transfer. The experimental results on the breast ultra-sound dataset indicate that the proposed DDSTN outperforms all the compared state-of-the-art algorithms for the BUS-based CAD.
• Abstract（参考訳）: エラストグラフィー超音波(eus)は、乳癌の診断において、bモード超音波(bus)の病変に関する生体力学的インフォーメーションを提供する。 しかし, 地方病院における eus 機器の欠如により, 乳がんのコンピュータ支援診断 (cad) における新しいモダリティ不均衡問題を引き起こすため, バスと eus の併用は一般的ではない。 現在の転写学習(TL)は、この特別な臨床的モダリティ不均衡の問題、すなわちソースドメイン(EUSモダリティ)はターゲットドメイン(BUSモダリティ)よりもラベル付きサンプルが少ないことにはほとんど注意を払わない。 さらに、これらのTL手法はラベル情報を完全に利用して、2つのモダリティ間の本質的な関係を探索し、促進された知識伝達を導くことはできない。 そこで本稿では,Learning Using Privileged Information (LUPI) パラダイムと最大平均離散性 (MMD) 基準を統合された深層TLフレームワークに統合する,新しい2重教師付きTLネットワーク(DDSTN)を提案する。 提案アルゴリズムは、LUPIパラダイムによる知識伝達を効果的に導くために共有ラベルをフル活用するだけでなく、未使用データ間の超視覚的転送も行う。 さらに,知識伝達を強化するためにMDD基準を導入する。 胸部ultra-soundデータセットにおける実験結果から,提案するddstnは,バスベースcadの最先端アルゴリズムに匹敵することがわかった。

関連論文リスト

• Semi-Supervised Multimodal Multi-Instance Learning for Aortic Stenosis Diagnosis [6.356639194509079]
  SMMIL(Semi-supervised Multimodal Multiple-Instance Learning)は、心疾患の自動解釈のための新しいディープラーニングフレームワークである。 SMMILは、スペクトルドップラーと2Dシネループの2つの入力モードからの情報を組み合わせて、研究レベルのAS診断を生成することができる。
  論文  参考訳（メタデータ） (2024-03-09T22:23:45Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Enhancing Non-mass Breast Ultrasound Cancer Classification With Knowledge Transfer [11.010974176972086]
  非質量BUSに対するDNNモデルの一般化性を高めるための新しい移動学習フレームワークを提案する。 具体的には、非質量データと質量データを組み合わせた共有DNNを訓練する。 非質量BUSの悪性度予測タスクにおいて,このフレームワークがAUCの10%改善を実現していることを示す。
  論文  参考訳（メタデータ） (2022-04-18T16:09:30Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• COIN: Contrastive Identifier Network for Breast Mass Diagnosis in Mammography [16.603205672169608]
  マンモグラフィーにおけるコンピュータ支援乳がん診断は, マンモグラフィーデータの不足とデータ絡み合いから生じる課題である。 本論文では,対比拡大とマニホールドに基づく対比学習を統合した深層学習フレームワークであるContrastive Identifier Network(textscCOIN)を提案する。 COINは、乳がん診断問題を解決するための最新の関連アルゴリズムをかなりのマージンで上回り、93.4%の精度と95.0%のAUCスコアを達成しています。
  論文  参考訳（メタデータ） (2020-12-29T10:02:02Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。