論文の概要: BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images

• arxiv url: http://arxiv.org/abs/2110.04069v1
• Date: Tue, 5 Oct 2021 19:14:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-17 04:44:42.181845
• Title: BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images
• Title（参考訳）: bi-rads-net:乳房超音波画像における癌診断のためのマルチタスク学習手法
• Authors: Boyu Zhang, Aleksandar Vakanski, Min Xian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.41441138140895
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In healthcare, it is essential to explain the decision-making process of machine learning models to establish the trustworthiness of clinicians. This paper introduces BI-RADS-Net, a novel explainable deep learning approach for cancer detection in breast ultrasound images. The proposed approach incorporates tasks for explaining and classifying breast tumors, by learning feature representations relevant to clinical diagnosis. Explanations of the predictions (benign or malignant) are provided in terms of morphological features that are used by clinicians for diagnosis and reporting in medical practice. The employed features include the BI-RADS descriptors of shape, orientation, margin, echo pattern, and posterior features. Additionally, our approach predicts the likelihood of malignancy of the findings, which relates to the BI-RADS assessment category reported by clinicians. Experimental validation on a dataset consisting of 1,192 images indicates improved model accuracy, supported by explanations in clinical terms using the BI-RADS lexicon.
• Abstract（参考訳）: 医療においては、臨床医の信頼性を確立するために、機械学習モデルの意思決定プロセスを説明することが不可欠である。 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組み込んだものである。 予測(良性または悪性)の説明は、臨床医が医療における診断および報告に使用する形態学的特徴の観点から提供される。 採用されている機能は、形状、方位、マージン、エコーパターン、後部特徴のBI-RADS記述子である。 また, 臨床医が報告したBI-RADSアセスメントカテゴリーに関連し, 本症例の悪性度を予測した。 1,192枚の画像からなるデータセットに対する実験的検証は、BI-RADSレキシコンを用いた臨床用語による説明により、モデル精度の向上を示す。

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)
• 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)
• Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers with Partially Annotated Ultrasound Images [19.374895481597466]
  診断精度を高めるために弱教師付き学習に基づく2段階検出・診断ネットワーク(TSDDNet)を提案する。 提案するTSDDNetはBモード超音波データセットを用いて評価し,その実験結果から病変検出と診断の両タスクにおいて最高の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-06-12T09:26:54Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• Fusing Medical Image Features and Clinical Features with Deep Learning for Computer-Aided Diagnosis [7.99493100852929]
  本稿では,MRI/CT画像と臨床情報を融合した新たな深層学習手法を提案する。 本研究では,アルツハイマー病診断,軽度認知障害コンバータ予測,肝微小血管浸潤診断への応用について検討した。
  論文  参考訳（メタデータ） (2021-03-10T03:37:21Z)
• Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis [6.820831423843006]
  皮膚がん検診におけるDeep Learning-based Decision Support Systemの臨床応用は、患者のケアの質を向上させる可能性がある。 本稿では,臨床像,皮膚内視鏡像,病理像から皮膚癌の診断例を例に,医療応用における説明可能なDLベースの意思決定支援に向けた取り組みの概要について述べる。
  論文  参考訳（メタデータ） (2021-03-02T11:07:49Z)
• 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)
• 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。