論文の概要: COIN: Contrastive Identifier Network for Breast Mass Diagnosis in
Mammography
- arxiv url: http://arxiv.org/abs/2012.14690v1
- Date: Tue, 29 Dec 2020 10:02:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 20:44:08.737155
- Title: COIN: Contrastive Identifier Network for Breast Mass Diagnosis in
Mammography
- Title(参考訳): マンモグラフィにおける乳房腫瘤診断のための造影診断ネットワーク
- Authors: Heyi Li, Dongdong Chen, William H. Nailon, Mike E. Davies, and David
Laurenson
- Abstract要約: マンモグラフィーにおけるコンピュータ支援乳がん診断は, マンモグラフィーデータの不足とデータ絡み合いから生じる課題である。
本論文では,対比拡大とマニホールドに基づく対比学習を統合した深層学習フレームワークであるContrastive Identifier Network(textscCOIN)を提案する。
COINは、乳がん診断問題を解決するための最新の関連アルゴリズムをかなりのマージンで上回り、93.4%の精度と95.0%のAUCスコアを達成しています。
- 参考スコア(独自算出の注目度): 16.603205672169608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer-aided breast cancer diagnosis in mammography is a challenging
problem, stemming from mammographical data scarcity and data entanglement. In
particular, data scarcity is attributed to the privacy and expensive
annotation. And data entanglement is due to the high similarity between benign
and malignant masses, of which manifolds reside in lower dimensional space with
very small margin. To address these two challenges, we propose a deep learning
framework, named Contrastive Identifier Network (\textsc{COIN}), which
integrates adversarial augmentation and manifold-based contrastive learning.
Firstly, we employ adversarial learning to create both on- and off-distribution
mass contained ROIs. After that, we propose a novel contrastive loss with a
built Signed graph. Finally, the neural network is optimized in a contrastive
learning manner, with the purpose of improving the deep model's
discriminativity on the extended dataset. In particular, by employing COIN,
data samples from the same category are pulled close whereas those with
different labels are pushed further in the deep latent space. Moreover, COIN
outperforms the state-of-the-art related algorithms for solving breast cancer
diagnosis problem by a considerable margin, achieving 93.4\% accuracy and
95.0\% AUC score. The code will release on ***.
- Abstract(参考訳): マンモグラフィーにおけるコンピュータ支援乳がん診断は, マンモグラフィーデータの不足とデータ絡み合いから生じる課題である。
特にデータの不足は、プライバシと高価なアノテーションによるものだ。
そして、データの絡み合いは良性塊と悪性塊の間の高い類似性によるもので、その内の多様体は非常に小さいマージンの低次元空間に存在する。
これら2つの課題に対処するために,逆数拡大と多様体に基づくコントラスト学習を統合したContrastive Identifier Network (\textsc{COIN}) というディープラーニングフレームワークを提案する。
まず、対人学習を用いて、ROIを含むオン・オフ・ディストリビューション・マスを創出する。
その後,サイン付きグラフを組み込んだ新しいコントラスト損失を提案する。
最後に、ニューラルネットワークは、拡張データセットにおける深層モデルの識別性を改善する目的で、対照的な学習方法で最適化される。
特に、COINを用いることで、同一カテゴリのデータサンプルを近づき、異なるラベルを持つデータはより深い潜伏空間でプッシュされる。
さらに、COINは、乳癌の診断問題を解決するための最先端のアルゴリズムをかなりのマージンで上回り、93.4\%の精度と95.0\%のAUCスコアを達成している。
コードは***でリリースされる。
関連論文リスト
- Enhancing Non-mass Breast Ultrasound Cancer Classification With
Knowledge Transfer [11.010974176972086]
非質量BUSに対するDNNモデルの一般化性を高めるための新しい移動学習フレームワークを提案する。
具体的には、非質量データと質量データを組み合わせた共有DNNを訓練する。
非質量BUSの悪性度予測タスクにおいて,このフレームワークがAUCの10%改善を実現していることを示す。
論文 参考訳(メタデータ) (2022-04-18T16:09:30Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Information Bottleneck Attribution for Visual Explanations of Diagnosis
and Prognosis [8.325727554619325]
本稿では,医療応用のための堅牢な視覚的説明手法を提案する。
情報ボトルネックの概念に触発され、ニューラルネットワーク表現をノイズでマスキングして重要な領域を見つけます。
論文 参考訳(メタデータ) (2021-04-07T02:43:52Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Task-driven Self-supervised Bi-channel Networks Learning for Diagnosis
of Breast Cancers with Mammography [3.616305360490957]
tsbnl(task-driven bi-channel network)フレームワークは,マンモグラムを限定した分類ネットワークの性能を向上させるために提案されている。
実験の結果,乳がんの診断には従来のsslアルゴリズムを上回っており,サンプルが限られていた。
論文 参考訳(メタデータ) (2021-01-15T17:28:52Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳(メタデータ) (2020-12-06T03:41:51Z)
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。