論文の概要: CSAW-M: An Ordinal Classification Dataset for Benchmarking Mammographic Masking of Cancer

• arxiv url: http://arxiv.org/abs/2112.01330v1
• Date: Thu, 2 Dec 2021 15:31:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 15:09:11.079055
• Title: CSAW-M: An Ordinal Classification Dataset for Benchmarking Mammographic Masking of Cancer
• Title（参考訳）: CSAW-M: 腫瘍のマンモグラフィーマスキングのベンチマークのための正規分類データセット
• Authors: Moein Sorkhei, Yue Liu, Hossein Azizpour, Edward Azavedo, Karin Dembrower, Dimitra Ntoula, Athanasios Zouzos, Fredrik Strand, Kevin Smith
• Abstract要約: 乳腺腫瘍は, 乳腺検診で偽陰性評価がみられたため, 早期発見が一般的である。 スクリーニング時間の欠如は、腫瘍が周囲の乳房組織によって隠蔽されていることが原因であることが多い。 CSAW-Mは,1万人以上の個人から収集され,潜在的なマスキングを伴ってアノテートされた,最大規模のマンモグラフィーデータセットである。
• 参考スコア（独自算出の注目度）: 8.0701718204815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interval and large invasive breast cancers, which are associated with worse prognosis than other cancers, are usually detected at a late stage due to false negative assessments of screening mammograms. The missed screening-time detection is commonly caused by the tumor being obscured by its surrounding breast tissues, a phenomenon called masking. To study and benchmark mammographic masking of cancer, in this work we introduce CSAW-M, the largest public mammographic dataset, collected from over 10,000 individuals and annotated with potential masking. In contrast to the previous approaches which measure breast image density as a proxy, our dataset directly provides annotations of masking potential assessments from five specialists. We also trained deep learning models on CSAW-M to estimate the masking level and showed that the estimated masking is significantly more predictive of screening participants diagnosed with interval and large invasive cancers -- without being explicitly trained for these tasks -- than its breast density counterparts.
• Abstract（参考訳）: 乳がん検診における偽陰性評価は, 乳がん検診において, 乳がんの予後が他の乳がんよりも悪化する傾向がみられ, 乳がん検診では乳がん検診の経過が遅くなる傾向がみられた。 スクリーニング時間検出の欠如は、通常、腫瘍が周囲の乳房組織、つまりマスクと呼ばれる現象によって隠蔽されることによって引き起こされる。 がんのマンモグラフィーマスキングを研究・ベンチマークするために,1万人以上の個人から収集し,潜在的なマスキングを付加したCSAW-Mを提案する。 乳房画像密度をプロキシとして測定する従来のアプローチとは対照的に,我々のデータセットは5人の専門家によるマスキングの可能性評価のアノテーションを直接提供する。 また, CSAW-Mの深層学習モデルを用いて, マスキングレベルを推定し, 乳房密度の指標よりも, 時間間隔や大規模な浸潤癌と診断された被験者の検診が有意に予測可能であることを示した。

関連論文リスト

• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• 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)
• Longitudinal Mammogram Risk Prediction [6.28887425442237]
  我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。 以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-29T19:52:09Z)
• 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)
• 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)
• 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)
• 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)
• Learning from Suspected Target: Bootstrapping Performance for Breast Cancer Detection in Mammography [6.323318523772466]
  対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。 まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。 以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
  論文  参考訳（メタデータ） (2020-03-01T09:04:24Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。