論文の概要: A novel multi-view deep learning approach for BI-RADS and density
assessment of mammograms
- arxiv url: http://arxiv.org/abs/2112.04490v1
- Date: Wed, 8 Dec 2021 10:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-11 02:14:09.114791
- Title: A novel multi-view deep learning approach for BI-RADS and density
assessment of mammograms
- Title(参考訳): BI-RADSのための新しい多視点深層学習手法とマンモグラムの密度評価
- Authors: Huyen T. X. Nguyen, Sam B. Tran, Dung B. Nguyen, Hieu H. Pham, Ha Q.
Nguyen
- Abstract要約: BI-RADSのための新しい多視点DL手法とマンモグラムの密度評価を提案する。
提案手法はまず,各ビューで特徴抽出を行うディープ畳み込みネットワークを分離して展開する。
抽出した特徴を積み重ねてLight Gradient Boosting Machine (LightGBM) に入力し、BI-RADSと密度スコアを予測する。
- 参考スコア(独自算出の注目度): 0.5039813366558306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advanced deep learning (DL) algorithms may predict the patient's risk of
developing breast cancer based on the Breast Imaging Reporting and Data System
(BI-RADS) and density standards. Recent studies have suggested that the
combination of multi-view analysis improved the overall breast exam
classification. In this paper, we propose a novel multi-view DL approach for
BI-RADS and density assessment of mammograms. The proposed approach first
deploys deep convolutional networks for feature extraction on each view
separately. The extracted features are then stacked and fed into a Light
Gradient Boosting Machine (LightGBM) classifier to predict BI-RADS and density
scores. We conduct extensive experiments on both the internal mammography
dataset and the public dataset Digital Database for Screening Mammography
(DDSM). The experimental results demonstrate that the proposed approach
outperforms the single-view classification approach on two benchmark datasets
by huge margins (5% on the internal dataset and 10% on the DDSM dataset). These
results highlight the vital role of combining multi-view information to improve
the performance of breast cancer risk prediction.
- Abstract(参考訳): 高度なディープラーニング(DL)アルゴリズムは、乳房画像報告・データシステム(BI-RADS)と密度基準に基づいて、患者が乳がんを発症するリスクを予測する。
近年の研究では、マルチビュー分析の組み合わせにより、全乳検診分類が改善されていることが示唆されている。
本稿では,BI-RADSのための新しい多視点DL手法とマンモグラムの密度評価を提案する。
提案手法はまず,各ビューで特徴抽出を行うディープ畳み込みネットワークを分離して展開する。
抽出した特徴を積み重ねてLight Gradient Boosting Machine(LightGBM)分類器に入力し、BI-RADSと密度スコアを予測する。
我々は内部マンモグラフィーデータセットと公開データセットDigital Database for Screening Mammography (DDSM)の両方について広範な実験を行った。
実験の結果,提案手法は2つのベンチマークデータセットの単一ビュー分類手法よりも大きなマージン(内部データセットでは5%,DDSMデータセットでは10%)で優れていることが示された。
これらの結果は,乳がんリスク予測の性能向上に多視点情報を組み合わせることの重要性を強調した。
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) - Segmentation Strategies in Deep Learning for Prostate Cancer Diagnosis: A Comparative Study of Mamba, SAM, and YOLO [0.6116681488656472]
本研究は,前立腺癌組織像の分画のための深層学習法であるMamba,SAM,YOLOの比較分析を行った。
Gleason 2019 と SICAPv2 という2つの総合データセット上で,Dice スコア,精度,リコール指標を用いてこれらのモデルの性能を評価した。
H-Vmunetモデルの高度なアーキテクチャは、高階の視覚状態空間と2D選択的スキャン操作を統合することで、効率的かつセンシティブな病変検出を可能にする。
論文 参考訳(メタデータ) (2024-09-24T16:04:29Z) - 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) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - 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) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳(メタデータ) (2022-07-18T23:07:53Z) - A Novel Transparency Strategy-based Data Augmentation Approach for
BI-RADS Classification of Mammograms [0.33598755777055367]
マンモグラム分類器の乳房画像報告・データシステム(BI-RADS)スコアを向上するための新しい透明性戦略を提案する。
実験の結果,提案手法はマンモグラム分類性能を著しく向上し,CutMixと呼ばれる最先端データ拡張技術を上回ることがわかった。
本研究は、BI-RADS分類における他の拡張戦略よりも透明性の手法の方が効果的であり、他のコンピュータビジョンタスクにも広く適用可能であることも強調する。
論文 参考訳(メタデータ) (2022-03-20T17:51:38Z) - 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) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳(メタデータ) (2021-04-07T17:11:27Z) - A New Computer-Aided Diagnosis System with Modified Genetic Feature
Selection for BI-RADS Classification of Breast Masses in Mammograms [5.395050211492798]
マンモグラフィー報告における異常を記述するために用いられる言語は、乳房画像報告・データシステム(BI-RADS)に基づく。
本稿では,マンモグラフィ集団をBI-RADSの4つの評価カテゴリに分類する,コンピュータ支援診断(CAD)システムを提案する。
論文 参考訳(メタデータ) (2020-05-11T13:06:25Z)
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。