論文の概要: Detection of masses and architectural distortions in digital breast
tomosynthesis: a publicly available dataset of 5,060 patients and a deep
learning model
- arxiv url: http://arxiv.org/abs/2011.07995v3
- Date: Fri, 1 Jan 2021 21:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:53:58.090660
- Title: Detection of masses and architectural distortions in digital breast
tomosynthesis: a publicly available dataset of 5,060 patients and a deep
learning model
- Title(参考訳): デジタル乳房友愛会における質量と構造的歪みの検出:5,060人の公開データセットとディープラーニングモデル
- Authors: Mateusz Buda, Ashirbani Saha, Ruth Walsh, Sujata Ghate, Nianyi Li,
Albert \'Swi\k{e}cicki, Joseph Y. Lo, Maciej A. Mazurowski
- Abstract要約: 乳房トモシンセシス画像の大規模データセットをキュレートし,公開している。
5,060人の患者から5,610人を対象にした22,032冊の復元版がある。
我々は単相深層学習検出モデルを開発し、将来の研究のベースラインとしてデータセットを用いてテストした。
- 参考スコア(独自算出の注目度): 4.3359550072619255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer screening is one of the most common radiological tasks with
over 39 million exams performed each year. While breast cancer screening has
been one of the most studied medical imaging applications of artificial
intelligence, the development and evaluation of the algorithms are hindered due
to the lack of well-annotated large-scale publicly available datasets. This is
particularly an issue for digital breast tomosynthesis (DBT) which is a
relatively new breast cancer screening modality. We have curated and made
publicly available a large-scale dataset of digital breast tomosynthesis
images. It contains 22,032 reconstructed DBT volumes belonging to 5,610 studies
from 5,060 patients. This included four groups: (1) 5,129 normal studies, (2)
280 studies where additional imaging was needed but no biopsy was performed,
(3) 112 benign biopsied studies, and (4) 89 studies with cancer. Our dataset
included masses and architectural distortions which were annotated by two
experienced radiologists. Additionally, we developed a single-phase deep
learning detection model and tested it using our dataset to serve as a baseline
for future research. Our model reached a sensitivity of 65% at 2 false
positives per breast. Our large, diverse, and highly-curated dataset will
facilitate development and evaluation of AI algorithms for breast cancer
screening through providing data for training as well as common set of cases
for model validation. The performance of the model developed in our study shows
that the task remains challenging and will serve as a baseline for future model
development.
- Abstract(参考訳): 乳がん検診は、毎年3900万回以上の検診が行われ、最も一般的な放射線治療の1つである。
乳がん検診は、人工知能の最も研究されている医学的イメージング応用の1つであるが、そのアルゴリズムの開発と評価は、十分な注釈付き大規模公開データセットの欠如によって妨げられている。
これは、比較的新しい乳癌スクリーニング法であるデジタル乳房トモシン合成(DBT)の問題である。
我々は,デジタル乳房合成画像の大規模データセットをキュレートし,公開している。
5,060人の患者から5,610件のDBTを再建した22,032冊を含む。
1)正常研究5,129件,(2)画像検査が必要で生検は行われていない280件,(3)良性生検研究112件,(4)癌研究89件であった。
我々のデータセットには、経験豊富な2人の放射線学者によって注釈された質量と建築上の歪みが含まれていた。
さらに,単相深層学習検出モデルを開発し,データセットを用いて将来の研究のベースラインとしてテストした。
乳房1例あたりの偽陽性は65%であった。
我々の大規模で多様で高度に計算されたデータセットは、トレーニング用のデータとモデルの検証のための一般的なケースセットを提供することで、乳がん検診のためのAIアルゴリズムの開発と評価を容易にする。
本研究で開発されたモデルの性能は,タスクが引き続き困難なままであり,将来のモデル開発のベースラインとして機能することを示している。
関連論文リスト
- Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images [0.0]
マンモグラフィーの乳腺密度は 乳がんの最大の危険因子の1つです
乳房超音波(BUS)は、乳がんスクリーニング法の一種である。
本研究の目的は,BUS画像からBI-RADS乳房密度を予測する人工知能(AI)モデルを検討することである。
論文 参考訳(メタデータ) (2024-10-31T21:28:20Z) - 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) - Publicly available datasets of breast histopathology H&E whole-slide
images: A scoping review [0.0]
深層学習アルゴリズムの開発に使用できる胸部H&E染色スライディング画像(WSI)の公開データセットを特定した。
このデータセットには、トレーニングされたアルゴリズムの堅牢性と一般化性に影響を与える、かなりの選択バイアスがある。
論文 参考訳(メタデータ) (2023-06-02T13:50:30Z) - Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-05-31T15:21:34Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳(メタデータ) (2023-04-12T05:41:44Z) - 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) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - The EMory BrEast imaging Dataset (EMBED): A Racially Diverse, Granular
Dataset of 3.5M Screening and Diagnostic Mammograms [2.243792799100692]
EMory BrEast画像データセットには3650,000の2Dと診断用マンモグラフィーが含まれており、白人とアフリカ系アメリカ人の患者に等しく分けられている。
私たちの目標は、このデータセットを研究パートナーと共有し、すべての患者に公平に提供し、医療AIのバイアスを減らすための乳房AIモデルの開発と検証を支援することです。
論文 参考訳(メタデータ) (2022-02-08T14:40:59Z) - 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) - 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)
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。