論文の概要: Identifying Women with Mammographically-Occult Breast Cancer Leveraging
GAN-Simulated Mammograms
- arxiv url: http://arxiv.org/abs/2109.12113v1
- Date: Fri, 24 Sep 2021 14:33:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:47:22.502546
- Title: Identifying Women with Mammographically-Occult Breast Cancer Leveraging
GAN-Simulated Mammograms
- Title（参考訳）: GAN-Simulated Mammogram を用いた乳癌の乳房造影検査
- Authors: Juhun Lee, Robert M. Nishikawa
- Abstract要約: 本研究では, 対向するマンモグラムを条件として, 正常な外見を持つマンモグラムをシミュレートする条件生成適応ネットワーク(CGAN)を開発した。
ラドン累積分布変換(RCDT)処理マンモグラムを訓練したCNNを用いて,MO癌を診断した。
- 参考スコア（独自算出の注目度）: 0.8122270502556371
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Our objective is to show the feasibility of using simulated mammograms to
detect mammographically-occult (MO) cancer in women with dense breasts and a
normal screening mammogram who could be triaged for additional screening with
magnetic resonance imaging (MRI) or ultrasound. We developed a Conditional
Generative Adversarial Network (CGAN) to simulate a mammogram with normal
appearance using the opposite mammogram as the condition. We used a
Convolutional Neural Network (CNN) trained on Radon Cumulative Distribution
Transform (RCDT) processed mammograms to detect MO cancer. For training CGAN,
we used screening mammograms of 1366 women. For MO cancer detection, we used
screening mammograms of 333 women (97 MO cancer) with dense breasts. We
simulated the right mammogram for normal controls and the cancer side for MO
cancer cases. We created two RCDT images, one from a real mammogram pair and
another from a real-simulated mammogram pair. We finetuned a VGG16 on resulting
RCDT images to classify the women with MO cancer. We compared the
classification performance of the CNN trained on fused RCDT images, CNN_{Fused}
to that of trained only on real RCDT images, CNN_{Real}, and to that of trained
only on simulated RCDT images, CNN_{Simulated}. The test AUC for CNN_{Fused}
was 0.77 with a 95% confidence interval (95CI) of [0.71, 0.83], which was
statistically better (p-value < 0.02) than the CNN_{Real} AUC of 0.70 with a
95CI of [0.64, 0.77] and CNN_{Simulated} AUC of 0.68 with a 95CI of [0.62,
0.75]. It showed that CGAN simulated mammograms can help MO cancer detection.
- Abstract（参考訳）: 本研究の目的は,高濃度乳房,正常検診を施行し,MRIや超音波による検診で検診を行った女性において,マンモグラフィーを用いてマンモグラフィー(MO)を検出できる可能性を示すことである。
本研究では, 対向するマンモグラムを条件として, 正常な外観のマンモグラムをシミュレートする条件生成適応ネットワーク(CGAN)を開発した。
我々は,Radon Cumulative Distribution Transform (RCDT) で訓練した畳み込みニューラルネットワーク(CNN)を用いて,MO癌を検出する。
CGANのトレーニングには,1366名の女性のマンモグラフィーを用いた。
乳癌検診には,乳房の濃厚333例(97例)のマンモグラム検診を行った。
健常者に対する右乳房X線像とMO癌症例に対する癌側像をシミュレートした。
実際のマンモグラム対と実模擬マンモグラム対の2つのRCDT画像を作成した。
得られたrcdt画像にvgg16を微調整し,mo癌女性を分類した。
CNN_{Fused} と実際の RCDT 画像にのみ訓練された CNN_{Fused と、シミュレーションされた RCDT 画像にのみ訓練された CNN_{Real} とを比較した。
CNN_{Fused} の AUC は 95% 信頼区間 (95CI) が [0.71, 0.83] の 0.77 であり、統計学的に (p-値 < 0.02) が CNN_{Real} AUC が 0.70 で [0.64, 0.77] と CNN_{Simulated} AUC が 0.68 で [0.62, 0.75] の 95CI であった。
その結果,cganシミュレートマンモグラムはmo癌検出に有用であった。
関連論文リスト
- 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) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳（メタデータ） (2022-09-20T15:57:12Z) - 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) - 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) - Segmentation of Infrared Breast Images Using MultiResUnet Neural Network [0.0]
乳がん検診における非侵襲的乳房造影剤として赤外線サーモグラフィーを検討中である。
自己エンコーダ様畳み込み畳み込みニューラルネットワーク(C-DCNN)は、以前の研究で乳房領域を自動的にIR画像に分割するために応用された。
本研究では,現在最先端のディープラーニングセグメンテーションモデルであるMultiResUnetを適用した。
論文 参考訳（メタデータ） (2020-10-31T22:15:28Z) - 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) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳（メタデータ） (2020-03-23T01:26:36Z) - 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) - Joint 2D-3D Breast Cancer Classification [22.031221319016353]
デジタルマンモグラフィー(Digital Mammograms、DMまたは2Dマンモグラフィー)とデジタル乳房トモシンセシス(DBTまたは3Dマンモグラフィー)は、乳がんの診断・診断に使用される2種類のマンモグラフィー画像である。
乳がん分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T19:08:16Z)
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。