論文の概要: Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms

• arxiv url: http://arxiv.org/abs/2009.09282v1
• Date: Sat, 19 Sep 2020 18:54:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:10:25.555549
• Title: Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms
• Title（参考訳）: マンモグラムスクリーニングにおける局所的・大域的情報を利用した深層ニューラルネットワークによる偽陽性生検の低減
• Authors: Nan Wu and Zhe Huang and Yiqiu Shen and Jungkyu Park and Jason Phang and Taro Makino and S. Gene Kim and Kyunghyun Cho and Laura Heacock and Linda Moy and Krzysztof J. Geras
• Abstract要約: 良性組織となる生検の頻度を下げることが重要である。 本研究では, 生検病変を悪性か良性のいずれかと分類するために, ディープニューラルネットワーク(DNN)を構築した。
• 参考スコア（独自算出の注目度）: 45.19322938294639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is the most common cancer in women, and hundreds of thousands of unnecessary biopsies are done around the world at a tremendous cost. It is crucial to reduce the rate of biopsies that turn out to be benign tissue. In this study, we build deep neural networks (DNNs) to classify biopsied lesions as being either malignant or benign, with the goal of using these networks as second readers serving radiologists to further reduce the number of false positive findings. We enhance the performance of DNNs that are trained to learn from small image patches by integrating global context provided in the form of saliency maps learned from the entire image into their reasoning, similar to how radiologists consider global context when evaluating areas of interest. Our experiments are conducted on a dataset of 229,426 screening mammography exams from 141,473 patients. We achieve an AUC of 0.8 on a test set consisting of 464 benign and 136 malignant lesions.
• Abstract（参考訳）: 乳がんは女性にとって最も一般的ながんであり、何十万もの不要な生検が世界中で膨大なコストで行われている。 良性組織であることが判明した生検率を低下させることが重要である。 本研究では,生検病変を悪性または良性と分類する深層ニューラルネットワーク(dnn)を構築し,これらのネットワークを放射線科医に提供し,偽陽性所見の数がさらに減少することを目標とした。 我々は,小型画像パッチから学習するDNNの性能を向上させるために,画像全体から学習したサリエンシマップのグローバルコンテキストをその推論に組み込むことにより,関心領域を評価する際のグローバルコンテキストに対する放射線学者の考え方と類似する。 141,473例のマンモグラフィ検査を229,426点検した。 464の良性病変と136の悪性病変からなるテストセットで,AUCは0.8。

関連論文リスト

• Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks [66.59360534642579]
  結核は、特に資源に制限された人口や遠隔地において、世界的な健康危機として存続している。 本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。 ネットワーク全体の精度は98.14%で、それぞれ95.72%と99.44%という高いリコール率と精度を示している。
  論文  参考訳（メタデータ） (2024-06-19T18:10:06Z)
• Convolutional neural network based on transfer learning for breast cancer screening [0.0]
  本稿では, 超音波画像から乳がんを正確に同定するために, 深部畳み込みニューラルネットワークに基づくアルゴリズムを提案する。 537 Benign, 360 malignant, 133 normal image の胸部超音波データセットを用いていくつかの実験を行った。 k-foldクロスバリデーションとバッグアンサンブルを用いて、99.5%の精度と99.6%の感度を実現した。
  論文  参考訳（メタデータ） (2021-12-22T02:27:12Z)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D Detection Network [18.31577982955252]
  良性腫瘍145例,悪性腫瘍273例の418例を対象に,本ネットワークの有効性を検証した。 実験により, ネットワークの感度は97.66%, 1.23偽陽性 (FPs) であり, 曲線(AUC) 値0.8720以下の領域を有することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T15:25:07Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• Automated Detection of Cribriform Growth Patterns in Prostate Histology Images [0.13048920509133805]
  前立腺癌におけるCribriform growth patternは予後不良と関連している。 畳み込みニューラルネットワークは 前立腺の128の生検で クリブリフォーム成長パターンを検出するために訓練された
  論文  参考訳（メタデータ） (2020-03-23T20:56:24Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。