Fugu-MT 論文翻訳(概要): Automatic elimination of the pectoral muscle in mammograms based on anatomical features

論文の概要: Automatic elimination of the pectoral muscle in mammograms based on anatomical features

arxiv url: http://arxiv.org/abs/2009.06357v1
Date: Mon, 17 Aug 2020 20:36:46 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 04:18:42.054057
Title: Automatic elimination of the pectoral muscle in mammograms based on anatomical features
Title（参考訳）: 解剖学的特徴に基づくマンモグラムにおける胸筋の自動除去
Authors: Jairo A. Ayala-Godoy, Rosa E. Lillo, Juan Romo
Abstract要約: デジタルマンモグラフィー検査は、ヒト乳癌組織の異常を早期に検出する最も一般的な手法である。胸部筋の存在は乳腺病変の検出に影響を及ぼす可能性がある。この問題に対処するための解剖学的特徴に基づくアプローチを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Digital mammogram inspection is the most popular technique for early detection of abnormalities in human breast tissue. When mammograms are analyzed through a computational method, the presence of the pectoral muscle might affect the results of breast lesions detection. This problem is particularly evident in the mediolateral oblique view (MLO), where pectoral muscle occupies a large part of the mammography. Therefore, identifying and eliminating the pectoral muscle are essential steps for improving the automatic discrimination of breast tissue. In this paper, we propose an approach based on anatomical features to tackle this problem. Our method consists of two steps: (1) a process to remove the noisy elements such as labels, markers, scratches and wedges, and (2) application of an intensity transformation based on the Beta distribution. The novel methodology is tested with 322 digital mammograms from the Mammographic Image Analysis Society (mini-MIAS) database and with a set of 84 mammograms for which the area normalized error was previously calculated. The results show a very good performance of the method.
Abstract（参考訳）: デジタルマンモグラフィー検査は、ヒト乳癌組織の異常を早期に検出する最も一般的な手法である。マンモグラムを計算法で解析すると,胸筋の存在が乳腺病変の検出結果に影響を及ぼす可能性がある。この問題は、胸筋がマンモグラフィの大部分を占める中側斜視 (mediolateral oblique view, mlo) において特に顕著である。したがって、胸筋の同定と除去は、乳房組織の自動識別を改善する上で必須のステップである。本稿では,解剖学的特徴に基づくアプローチを提案し,この問題に対処する。本手法は,(1)ラベル,マーカー,スクラッチ,ウェッジなどのノイズ要素を除去するプロセスと,(2)ベータ分布に基づく強度変換の適用の2段階からなる。本手法は,マンモグラフィ画像解析協会 (mini-MIAS) データベースからの322個のデジタルマンモグラフィーと,領域正規化誤差を予め計算した84個のマンモグラフィーを用いて検証した。その結果,本手法の性能は良好であった。

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)
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
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)
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)
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)
Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms to Minimize Patient Return Visits for Repeat Imaging: A Real-World Application [0.9304227142731367]
本研究では, 意思決定過程を模倣し, 自動化し, 位置が不適切なマンモグラムを同定する深層学習アルゴリズムを提案する。提案モデルでは,正位91.35%,正位95.11%,正位91.35%,正位95.11%であった。
論文参考訳（メタデータ） (2020-09-28T18:54:53Z)
On segmentation of pectoralis muscle in digital mammograms by means of deep learning [1.7114784273243784]
本稿では,データ駆動予測とグラフベース画像処理を組み合わせた2段階のセグメンテーション戦略を提案する。提案手法では,乳房-胸部境界の位置を予測するために,畳み込みニューラルネットワーク(CNN)を用いる。比較分析の結果,最先端技術よりも大幅に改善され,モデルフリーで完全自動処理が可能となった。
論文参考訳（メタデータ） (2020-08-29T03:38:11Z)
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。