論文の概要: Task-driven Self-supervised Bi-channel Networks Learning for Diagnosis
of Breast Cancers with Mammography
- arxiv url: http://arxiv.org/abs/2101.06228v1
- Date: Fri, 15 Jan 2021 17:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:14:42.493525
- Title: Task-driven Self-supervised Bi-channel Networks Learning for Diagnosis
of Breast Cancers with Mammography
- Title(参考訳): マンモグラフィによる乳癌診断のためのタスク駆動型自己教師付きバイチャネルネットワーク学習
- Authors: Ronglin Gong, Zhiyang Lu and Jun Shi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.616305360490957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning can promote the mammography-based computer-aided diagnosis
(CAD) for breast cancers, but it generally suffers from the small size sample
problem. In this work, a task-driven self-supervised bi-channel networks
(TSBNL) framework is proposed to improve the performance of classification
network with limited mammograms. In particular, a new gray-scale image mapping
(GSIM) task for image restoration is designed as the pretext task to improve
discriminate feature representation with label information of mammograms. The
TSBNL then innovatively integrates this image restoration network and the
downstream classification network into a unified SSL framework, and transfers
the knowledge from the pretext network to the classification network with
improved diagnostic accuracy. The proposed algorithm is evaluated on a public
INbreast mammogram dataset. The experimental results indicate that it
outperforms the conventional SSL algorithms for diagnosis of breast cancers
with limited samples.
- Abstract(参考訳): 深層学習は乳がんに対するマンモグラフィーに基づくコンピュータ支援診断(CAD)を促進することができるが、一般的に小さなサンプル問題に悩まされる。
本稿では,マンモグラムを限定した分類ネットワークの性能向上のために,タスク駆動型自己教師付きバイチャネルネットワーク(tsbnl)フレームワークを提案する。
特に、画像復元のための新しいグレースケール画像マッピング(GSIM)タスクをプリテキストタスクとして設計し、マンモグラムのラベル情報による特徴表現の識別を改善する。
TSBNLは、この画像復元ネットワークと下流分類ネットワークを統一SSLフレームワークに統合し、診断精度を向上して、プリテキストネットワークから分類ネットワークに知識を転送する。
提案アルゴリズムはパブリックなInbreast Mammogramデータセットを用いて評価する。
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。
関連論文リスト
- Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。
提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。
CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
論文 参考訳(メタデータ) (2024-11-16T21:32:51Z) - Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。
実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文 参考訳(メタデータ) (2024-04-14T12:09:47Z) - Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T10:22:14Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Dual Convolutional Neural Networks for Breast Mass Segmentation and
Diagnosis in Mammography [18.979126709943085]
本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。
本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。
実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-08-07T02:23:36Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。