論文の概要: Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment

• arxiv url: http://arxiv.org/abs/2011.08001v3
• Date: Tue, 19 Oct 2021 02:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 23:53:33.439002
• Title: Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment
• Title（参考訳）: Deep-LIBRA:乳がんリスク評価における独立検証による乳腺密度の頑健な定量化のための人工知能手法
• Authors: Omid Haji Maghsoudi, Aimilia Gastounioti, Christopher Scott, Lauren Pantalone, Fang-Fang Wu, Eric A. Cohen, Stacey Winham, Emily F. Conant, Celine Vachon, Despina Kontos
• Abstract要約: 現在の連邦法では、乳房検診中の女性全員の乳房密度の報告を義務付けている。 本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。
• 参考スコア（独自算出の注目度）: 2.0369879867185143
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast density is an important risk factor for breast cancer that also affects the specificity and sensitivity of screening mammography. Current federal legislation mandates reporting of breast density for all women undergoing breast screening. Clinically, breast density is assessed visually using the American College of Radiology Breast Imaging Reporting And Data System (BI-RADS) scale. Here, we introduce an artificial intelligence (AI) method to estimate breast percentage density (PD) from digital mammograms. Our method leverages deep learning (DL) using two convolutional neural network architectures to accurately segment the breast area. A machine-learning algorithm combining superpixel generation, texture feature analysis, and support vector machine is then applied to differentiate dense from non-dense tissue regions, from which PD is estimated. Our method has been trained and validated on a multi-ethnic, multi-institutional dataset of 15,661 images (4,437 women), and then tested on an independent dataset of 6,368 digital mammograms (1,702 women; cases=414) for both PD estimation and discrimination of breast cancer. On the independent dataset, PD estimates from Deep-LIBRA and an expert reader were strongly correlated (Spearman correlation coefficient = 0.90). Moreover, Deep-LIBRA yielded a higher breast cancer discrimination performance (area under the ROC curve, AUC = 0.611 [95% confidence interval (CI): 0.583, 0.639]) compared to four other widely-used research and commercial PD assessment methods (AUCs = 0.528 to 0.588). Our results suggest a strong agreement of PD estimates between Deep-LIBRA and gold-standard assessment by an expert reader, as well as improved performance in breast cancer risk assessment over state-of-the-art open-source and commercial methods.
• Abstract（参考訳）: 乳房密度は乳癌の重要な危険因子であり、スクリーニングマンモグラフィの特異性と感受性にも影響を及ぼす。 現在の連邦法では、乳房検診中の女性全員に乳房密度の報告を義務付けている。 臨床的に、乳房密度は、american college of radiology breast imaging reporting and data system (bi-rads)スケールを用いて視覚的に評価される。 本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。 本手法は,2つの畳み込みニューラルネットワークアーキテクチャを用いて,乳房領域を正確に分割する深層学習(DL)を利用する。 次に、スーパーピクセル生成、テクスチャ特徴解析、サポートベクターマシンを組み合わせた機械学習アルゴリズムを適用し、pdを推定する非拡散組織領域と密度を区別する。 15,661枚(女性4,437枚)のマルチエスニック・マルチインスティカルなデータセットを用いてトレーニング,検証を行い,乳がんのPD推定と鑑別のために6,368枚(女性1,702枚)のデジタルマンモグラムの独立したデータセットを用いて試験を行った。 独立データセットでは,deep-libraおよびエキスパートリーダからのpd推定値が強く相関した(spearman correlation coefficient = 0.90)。 さらに、Deep-LIBRAは、他の4つの広く使われている研究および商用PD評価方法(AUCs =0.528〜0.588)と比較して、高い乳癌判定性能(ROC曲線下、AUC = 0.611[95%信頼区間(CI): 0.583, 0.639])を得た。 以上の結果から,専門読者による深層ライブラリとゴールド標準評価のpd推定値の強い一致と,最先端のオープンソースおよび商用手法に対する乳がんリスク評価のパフォーマンス向上が示唆された。

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)
• Towards Non-invasive and Personalized Management of Breast Cancer Patients from Multiparametric MRI via A Large Mixture-of-Modality-Experts Model [19.252851972152957]
  本稿では,マルチパラメトリックMRI情報を統一構造内に組み込んだMOMEについて報告する。 MOMEは乳癌の正確かつ堅牢な同定を証明した。 BI-RADS 4患者の生検の必要性を7.3%減らし、AUROC0.709で3重陰性乳癌を分類し、AUROC0.694でネオアジュバント化学療法に対する病理学的完全反応を予測することができる。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• 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)
• 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)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• 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)
• A multi-reconstruction study of breast density estimation using Deep Learning [0.9449650062296825]
  乳房密度推定はスクリーニング試験で行う重要な課題の1つである。 乳房密度推定のためのディープラーニング研究は、ニューラルネットワークのトレーニングに単一のモダリティのみを使用する。 本稿では,全てのモダリティを一度にトレーニングしたニューラルネットワークが,単一モダリティでトレーニングしたニューラルネットワークよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-02-16T18:34:08Z)
• 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)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Discriminative Localized Sparse Representations for Breast Cancer Screening [0.0]
  乳がんの早期発見と診断は、その死亡率を低下させ、生活の質を向上させる可能性がある。 CAD(Computer-Aided Detection)とCAD(Computer-Aided diagnosis)技術は,人間の読影の負担を軽減することを約束している。 スパース解析技術は、画像パターンを表現および認識するための関連する結果を生み出している。
  論文  参考訳（メタデータ） (2020-11-20T04:15:17Z)

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。