論文の概要: Interpretable deep learning regression for breast density estimation on
MRI
- arxiv url: http://arxiv.org/abs/2012.04336v1
- Date: Tue, 8 Dec 2020 10:23:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:59:16.739218
- Title: Interpretable deep learning regression for breast density estimation on
MRI
- Title（参考訳）: MRIを用いた乳房密度推定のための解釈型ディープラーニング回帰
- Authors: Bas H.M. van der Velden, Max A.A. Ragusi, Markus H.A. Janse, Claudette
E. Loo, Kenneth G.A. Gilhuijs
- Abstract要約: 乳癌506例の乳癌密度を回帰畳み込みニューラルネットワーク(cnn)を用いて評価した。
テストセット上のCNNによって予測された密度は、地上の真理と有意に相関していた(N = 81患者、スピアマンの rho = 0.86, P rho)。
これは、密度の予測は、私たちが期待するfgtと脂肪組織に基づく構造に基づいていることを意味する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Breast density, which is the ratio between fibroglandular tissue (FGT) and
total breast volume, can be assessed qualitatively by radiologists and
quantitatively by computer algorithms. These algorithms often rely on
segmentation of breast and FGT volume. In this study, we propose a method to
directly assess breast density on MRI, and provide interpretations of these
assessments.
We assessed breast density in 506 patients with breast cancer using a
regression convolutional neural network (CNN). The input for the CNN were
slices of breast MRI of 128 x 128 voxels, and the output was a continuous
density value between 0 (fatty breast) and 1 (dense breast). We used 350
patients to train the CNN, 75 for validation, and 81 for independent testing.
We investigated why the CNN came to its predicted density using Deep SHapley
Additive exPlanations (SHAP).
The density predicted by the CNN on the testing set was significantly
correlated with the ground truth densities (N = 81 patients, Spearman's rho =
0.86, P < 0.001). When inspecting what the CNN based its predictions on, we
found that voxels in FGT commonly had positive SHAP-values, voxels in fatty
tissue commonly had negative SHAP-values, and voxels in non-breast tissue
commonly had SHAP-values near zero. This means that the prediction of density
is based on the structures we expect it to be based on, namely FGT and fatty
tissue.
To conclude, we presented an interpretable deep learning regression method
for breast density estimation on MRI with promising results.
- Abstract（参考訳）: 線維腺組織(fgt)と全乳房容積の比である乳房密度は放射線科医やコンピュータアルゴリズムによって定量的に評価できる。
これらのアルゴリズムは、しばしば乳房とFGT体積のセグメンテーションに依存する。
本研究では,MRIの乳房密度を直接評価する手法を提案し,これらの評価を解釈する。
乳腺癌506例の乳腺密度を回帰畳み込みニューラルネットワーク(CNN)を用いて検討した。
cnnの入力は128×128ボクセルの乳房mriのスライスであり、出力は0(脂肪乳房)と1(センス乳房)の間の連続密度値であった。
CNNは350例, 検証は75例, 独立した検査は81例であった。
我々は,CNNが予測密度に達した理由を,Deep SHapley Additive exPlanations (SHAP) を用いて検討した。
テストセットにおけるCNNの予測密度は, 基底真理密度 (N = 81, Spearman's rho = 0.86, P < 0.001) と有意に相関していた。
cnnの予測を検査すると、fgtのボクセルは正のシェープ値、脂肪組織のボクセルは負のシェープ値、非ブレアスト組織のボクセルはゼロに近いシェープ値であることが判明した。
これは、密度の予測は、私たちが期待するfgtと脂肪組織に基づく構造に基づいていることを意味する。
そこで本研究では,MRIを用いた乳房密度推定のための解釈可能なディープラーニング回帰法を提案する。
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) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Fair Evaluation of Federated Learning Algorithms for Automated Breast Density Classification: The Results of the 2022 ACR-NCI-NVIDIA Federated Learning Challenge [27.453538319541472]
乳房密度分類FLチャレンジは、American College of Radiologyと共同で開催された。
参加者は3つの模擬医療施設にFLを実装可能なドッカーコンテナを提出することができた。
優勝したFLは、挑戦テストデータで0.653点、外部テストデータセットで0.413点に達した。
論文 参考訳（メタデータ） (2024-05-22T19:54:09Z) - Fibroglandular Tissue Segmentation in Breast MRI using Vision
Transformers -- A multi-institutional evaluation [0.06499822663743766]
乳房分割のためのトランスフォーマーベースニューラルネットワーク(TraBS)を開発し,その性能をよく確立された畳み込みネットワークnnUNetと比較した。
TraBSとnnUNetは、経験豊富なヒト読者が作成した手動セグメンテーションを用いて、200の内臓および40の乳房MRI検査で訓練された。
本研究は, NNUNetなどのトランスフォーマーモデルと比較して, 神経回路が線維粒組織セグメンテーションの質を向上させることを示した。
論文 参考訳（メタデータ） (2023-04-18T13:12:35Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Deep-LIBRA: Artificial intelligence method for robust quantification of
breast density with independent validation in breast cancer risk assessment [2.0369879867185143]
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。
論文 参考訳（メタデータ） (2020-11-13T15:21:17Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。