論文の概要: Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms
to Minimize Patient Return Visits for Repeat Imaging: A Real-World
Application
- arxiv url: http://arxiv.org/abs/2009.13580v1
- Date: Mon, 28 Sep 2020 18:54:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 21:22:21.823417
- Title: Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms
to Minimize Patient Return Visits for Repeat Imaging: A Real-World
Application
- Title（参考訳）: 深層学習に基づく非定位マンモグラムの自動検出による再画像化のための患者訪問の最小化:実世界の応用
- Authors: Vikash Gupta and Clayton Taylor and Sarah Bonnet and Luciano M.
Prevedello and Jeffrey Hawley and Richard D White and Mona G Flores and
Barbaros Selnur Erdal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9304227142731367
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Screening mammograms are a routine imaging exam performed to detect breast
cancer in its early stages to reduce morbidity and mortality attributed to this
disease. In order to maximize the efficacy of breast cancer screening programs,
proper mammographic positioning is paramount. Proper positioning ensures
adequate visualization of breast tissue and is necessary for effective breast
cancer detection. Therefore, breast-imaging radiologists must assess each
mammogram for the adequacy of positioning before providing a final
interpretation of the examination; this often necessitates return patient
visits for additional imaging. In this paper, we propose a deep
learning-algorithm method that mimics and automates this decision-making
process to identify poorly positioned mammograms. Our objective for this
algorithm is to assist mammography technologists in recognizing inadequately
positioned mammograms real-time, improve the quality of mammographic
positioning and performance, and ultimately reducing repeat visits for patients
with initially inadequate imaging. The proposed model showed a true positive
rate for detecting correct positioning of 91.35% in the mediolateral oblique
view and 95.11% in the craniocaudal view. In addition to these results, we also
present an automatically generated report which can aid the mammography
technologist in taking corrective measures during the patient visit.
- Abstract（参考訳）: スクリーニングマンモグラフィーは、乳がんを早期に検出し、この疾患による死亡率と死亡率を減少させる定期的な画像検査である。
乳癌検診プログラムの有効性を最大化するためには,適切なマンモグラフィー位置決めが最重要である。
適切な位置決めは乳房組織を適切に可視化し、乳癌の効果的な検出に必要である。
したがって、乳房画像撮影の放射線科医は、検査の最終的な解釈を提供する前に、位置決めの適切性について各マンモグラムを評価する必要がある。
本稿では,この意思決定過程を模倣・自動化し,位置不明の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。
このアルゴリズムの目的は,マンモグラフィ技術者が不適切な位置のマンモグラムをリアルタイムに認識すること,マンモグラフィの測位と性能を向上させること,および最終的に画像検査が不十分な患者に対する繰り返し訪問を減らすことである。
提案モデルは, 正定位が91.35%, 正定位が95.11%, 正定位が91.35%, 正定位が95.11%であった。
これらの結果に加えて, マンモグラフィー技術者が患者訪問時の矯正措置を取るのに役立つ, 自動生成レポートも提示した。
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) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
本研究は,乳房組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-05-07T11:24:37Z) - Breast Ultrasound Report Generation using LangChain [58.07183284468881]
本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。
本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
論文 参考訳（メタデータ） (2023-12-05T00:28:26Z) - 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) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - 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) - Using Machine Learning to Automate Mammogram Images Analysis [12.19801103274363]
X線マンモグラフィーによる乳がんの早期発見は死亡率を効果的に低下させたと考えられている。
マンモグラム画像を処理するコンピュータ支援自動マンモグラム解析システムを提案し, 正常または癌として自動的に識別する。
論文 参考訳（メタデータ） (2020-12-06T00:10:18Z) - Descriptive analysis of computational methods for automating mammograms
with practical applications [0.0]
本論文はマンモグラムの様々な応用と自動化を目的とした研究に焦点を当てている。
画像前処理、特徴抽出、マンモグラムの応用、スクリーン・フィルム・マンモグラム、デジタルマンモグラム、およびデジタルマンモグラムの実験のためのベンチマークコーパスの開発について様々な視点をカバーしている。
論文 参考訳（メタデータ） (2020-10-06T05:40:26Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
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。
論文 参考訳（メタデータ） (2020-03-23T01:26:36Z)
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。