論文の概要: Meta-repository of screening mammography classifiers

• arxiv url: http://arxiv.org/abs/2108.04800v1
• Date: Tue, 10 Aug 2021 17:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:29:44.959574
• Title: Meta-repository of screening mammography classifiers
• Title（参考訳）: スクリーニングマンモグラフィ分類器のメタレポジトリ
• Authors: Benjamin Stadnick, Jan Witowski, Vishwaesh Rajiv, Jakub Ch{\l}\k{e}dowski, Farah E. Shamout, Kyunghyun Cho and Krzysztof J. Geras
• Abstract要約: マンモグラムのスクリーニングのためのディープラーニングモデルを含むメタリポジトリをリリースする。 当社のメタリポジトリには5つの最先端モデルとオープンソース実装が含まれています。 私たちは5つの国際データセットでそれらのパフォーマンスを比較します。
• 参考スコア（独自算出の注目度）: 35.24447276237306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is transforming medicine and showing promise in improving clinical diagnosis. In breast cancer screening, several recent studies show that AI has the potential to improve radiologists' accuracy, subsequently helping in early cancer diagnosis and reducing unnecessary workup. As the number of proposed models and their complexity grows, it is becoming increasingly difficult to re-implement them in order to reproduce the results and to compare different approaches. To enable reproducibility of research in this application area and to enable comparison between different methods, we release a meta-repository containing deep learning models for classification of screening mammograms. This meta-repository creates a framework that enables the evaluation of machine learning models on any private or public screening mammography data set. At its inception, our meta-repository contains five state-of-the-art models with open-source implementations and cross-platform compatibility. We compare their performance on five international data sets: two private New York University breast cancer screening data sets as well as three public (DDSM, INbreast and Chinese Mammography Database) data sets. Our framework has a flexible design that can be generalized to other medical image analysis tasks. The meta-repository is available at https://www.github.com/nyukat/mammography_metarepository.
• Abstract（参考訳）: 人工知能(AI)は医学を変革し、臨床診断を改善することを約束している。 乳がん検診において、最近のいくつかの研究では、AIは放射線科医の精度を向上させる可能性があり、その後早期がんの診断と不要な作業の軽減に役立つことが示されている。 提案するモデルの数と複雑性が増加するにつれて、結果を再現し、異なるアプローチを比較するために再実装することがますます難しくなってきている。 この応用領域における研究の再現性を実現し、異なる方法の比較を可能にするために、マンモグラムの分類のための深層学習モデルを含むメタリポジトリをリリースする。 このメタリポジトリは、任意のプライベートまたはパブリックスクリーニングマンモグラフィデータセット上で機械学習モデルの評価を可能にするフレームワークを作成する。 当社のメタリポジトリには、オープンソース実装とクロスプラットフォーム互換性を備えた5つの最先端モデルが含まれています。 2つのプライベートニューヨーク大学乳がん検診データセットと,3つの公開データセット(ddsm,inbreast,china mammography database)を比較した。 われわれのフレームワークはフレキシブルな設計で、他の医用画像解析タスクに一般化できる。 meta-repositoryはhttps://www.github.com/nyukat/mammography_metarepositoryで利用可能である。

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)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
  我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。 皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
  論文  参考訳（メタデータ） (2024-05-02T18:21:25Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Federated Learning with Research Prototypes for Multi-Center MRI-based Detection of Prostate Cancer with Diverse Histopathology [3.8613414331251423]
  前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。 前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。 我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
  論文  参考訳（メタデータ） (2022-06-11T21:28:17Z)
• Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling [1.0965065178451103]
  我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。 結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。 本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
  論文  参考訳（メタデータ） (2022-03-09T16:58:03Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。