Fugu-MT 論文翻訳(概要): Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images

論文の概要: Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images

arxiv url: http://arxiv.org/abs/2102.08567v1
Date: Wed, 17 Feb 2021 04:23:30 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 07:56:55.598380
Title: Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images
Title（参考訳）: エラストグラフィーとBモード乳房超音波画像のエンサンブル転送学習
Authors: Sampa Misra, Seungwan Jeon, Ravi Managuli, Seiyon Lee, Gyuwon Kim, Seungchul Lee, Richard G Barr, and Chulhong Kim
Abstract要約: 良性および悪性乳癌を分類するためのアンサンブル移動学習モデルを提案する。このモデルは、AlexNetとResNetモデルのセマンティック機能を組み合わせ、悪性腫瘍から良性を分類します。実験結果から, このアンサンブルモデルでは感度88.89%, 特異性91.10%が得られた。
参考スコア（独自算出の注目度）: 3.3615086420912745
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computer-aided detection (CAD) of benign and malignant breast lesions becomes increasingly essential in breast ultrasound (US) imaging. The CAD systems rely on imaging features identified by the medical experts for their performance, whereas deep learning (DL) methods automatically extract features from the data. The challenge of the DL is the insufficiency of breast US images available to train the DL models. Here, we present an ensemble transfer learning model to classify benign and malignant breast tumors using B-mode breast US (B-US) and strain elastography breast US (SE-US) images. This model combines semantic features from AlexNet & ResNet models to classify benign from malignant tumors. We use both B-US and SE-US images to train the model and classify the tumors. We retrospectively gathered 85 patients' data, with 42 benign and 43 malignant cases confirmed with the biopsy. Each patient had multiple B-US and their corresponding SE-US images, and the total dataset contained 261 B-US images and 261 SE-US images. Experimental results show that our ensemble model achieves a sensitivity of 88.89% and specificity of 91.10%. These diagnostic performances of the proposed method are equivalent to or better than manual identification. Thus, our proposed ensemble learning method would facilitate detecting early breast cancer, reliably improving patient care.
Abstract（参考訳）: 良性および悪性の乳腺病変のコンピュータ支援検出(cad)は,乳房超音波画像診断においてますます必要となる。 CADシステムは、医療専門家によって認識された画像の特徴に頼っているが、ディープラーニング(DL)手法はデータから自動的に特徴を抽出する。 DLの課題は、DLモデルを訓練するために利用可能な胸部米国の画像の不足です。本稿では、Bモード乳房US(B-US)および歪みエラストグラフィー乳房US(SE-US)画像を用いて良性および悪性乳癌を分類するアンサンブル転送学習モデルを提案する。このモデルは、AlexNetとResNetモデルのセマンティック機能を組み合わせ、悪性腫瘍から良性を分類します。 B-US画像とSE-US画像の両方を用いて腫瘍を訓練し分類する。生検にて42例, 悪性腫瘍43例を対象とし, 85例のデータを回顧的に収集した。各患者は複数のB-US画像と対応するSE-US画像を有し,総データセットは261B-US画像と261SE-US画像を含んでいた。実験結果から, このアンサンブルモデルでは感度88.89%, 特異性91.10%が得られた。提案手法のこれらの診断性能は手動識別と同等かそれ以上である。そこで,本提案手法は早期乳癌の発見を容易にし,患者のケアを確実に改善する。

関連論文リスト

Breast tumor classification based on self-supervised contrastive learning from ultrasound videos [7.825379326219145]
我々は,胸部超音波ビデオクリップから表現を学習するために,トリプルトネットワークと自己教師付きコントラスト学習手法を採用した。本モデルでは,受信機動作特性曲線 (AUC) の0.952の領域を達成した。提案フレームワークはラベル付きデータに対する需要を大幅に減らし,乳房超音波画像の自動診断に活用する可能性を秘めている。
論文参考訳（メタデータ） (2024-08-20T07:16:01Z)
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)
Breast Ultrasound Report Generation using LangChain [58.07183284468881]
本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
論文参考訳（メタデータ） (2023-12-05T00:28:26Z)
Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文参考訳（メタデータ） (2023-08-27T22:07:42Z)
Histopathological Imaging Classification of Breast Tissue for Cancer Diagnosis Support Using Deep Learning Models [0.0]
ヘマトキシリンとエオシンはがん診断における金の標準であると考えられている。病理画像(WSI)を複数のパッチに分割するアイデアに基づいて,左から右へスライドし,上から下へスライドするウィンドウ[512,512]を,400イメージのデータセット上の拡張データに対して,各スライディングステップが50%重なり合うように使用した。 EffficientNetモデルは、高解像度の画像のトレーニングに適した、固定されたスケーリング要素のセットで、ネットワークの幅、深さ、解像度を均一にスケーリングする、最近開発されたモデルである。
論文参考訳（メタデータ） (2022-07-03T13:56:44Z)
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)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
Deep Learning models for benign and malign Ocular Tumor Growth Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。ここでは、適切なモデルを選択するための戦略を示す。
論文参考訳（メタデータ） (2021-07-09T05:40:25Z)
Comparison of different CNNs for breast tumor classification from ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文参考訳（メタデータ） (2020-12-28T22:54:08Z)
Breast Cancer Detection Using Convolutional Neural Networks [0.0]
エチオピアでは女性がん患者の34%を占める乳がんが一般的である。深層学習技術は医療画像分析の分野に革命をもたらしている。本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
論文参考訳（メタデータ） (2020-03-17T19:41:00Z)

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。