論文の概要: A multi-reconstruction study of breast density estimation using Deep
Learning
- arxiv url: http://arxiv.org/abs/2202.08238v1
- Date: Wed, 16 Feb 2022 18:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 15:10:56.508131
- Title: A multi-reconstruction study of breast density estimation using Deep
Learning
- Title（参考訳）: 深層学習を用いた乳房密度推定のマルチ再構成
- Authors: Vikash Gupta, Mutlu Demirer, Robert W. Maxwell, Richard D. White,
Barabaros Selnur Erdal
- Abstract要約: 乳房密度推定はスクリーニング試験で行う重要な課題の1つである。
乳房密度推定のためのディープラーニング研究は、ニューラルネットワークのトレーニングに単一のモダリティのみを使用する。
本稿では,全てのモダリティを一度にトレーニングしたニューラルネットワークが,単一モダリティでトレーニングしたニューラルネットワークよりも優れた性能を示すことを示す。
- 参考スコア（独自算出の注目度）: 0.6299766708197884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast density estimation is one of the key tasks in recognizing individuals
predisposed to breast cancer. It is often challenging because of low contrast
and fluctuations in mammograms' fatty tissue background. Most of the time, the
breast density is estimated manually where a radiologist assigns one of the
four density categories decided by the Breast Imaging and Reporting Data
Systems (BI-RADS). There have been efforts in the direction of automating a
breast density classification pipeline.
Breast density estimation is one of the key tasks performed during a
screening exam. Dense breasts are more susceptible to breast cancer. The
density estimation is challenging because of low contrast and fluctuations in
mammograms' fatty tissue background. Traditional mammograms are being replaced
by tomosynthesis and its other low radiation dose variants (for example
Hologic' Intelligent 2D and C-View). Because of the low-dose requirement,
increasingly more screening centers are favoring the Intelligent 2D view and
C-View. Deep-learning studies for breast density estimation use only a single
modality for training a neural network. However, doing so restricts the number
of images in the dataset. In this paper, we show that a neural network trained
on all the modalities at once performs better than a neural network trained on
any single modality. We discuss these results using the area under the receiver
operator characteristics curves.
- Abstract（参考訳）: 乳腺密度の推定は、乳がんに先立つ個人を認識する上で重要な課題の1つである。
マンモグラムの脂肪組織背景の低コントラストと変動のため、しばしば困難である。
多くの場合、乳房密度は、放射線学者が乳房画像・報告データシステム(BI-RADS)によって決定される4つの密度カテゴリのうちの1つを、手動で推定する。
乳房密度分類パイプラインの自動化に向けた取り組みが進められている。
乳房密度推定はスクリーニング試験で行う重要な課題の1つである。
濃厚な乳がんは乳がんの影響を受けやすい。
マンモグラムの脂肪組織背景の低コントラストとゆらぎのため, 密度推定は困難である。
伝統的なマンモグラムは、トモシンセシスや他の低放射線量変種(例えばhologicのintelligent 2dとc-view)に置き換えられている。
低用量要件のため、Intelligent 2DビューとC-Viewを優先するスクリーニングセンターが増えている。
乳房密度推定のためのディープラーニング研究は、ニューラルネットワークのトレーニングに単一のモダリティのみを使用する。
しかし、そうすることでデータセット内の画像数が制限される。
本稿では,すべてのモダリティを一度に訓練したニューラルネットワークが,任意のモダリティを訓練したニューラルネットワークよりも優れた性能を示す。
受信者特性曲線の下の領域を用いてこれらの結果について議論する。
関連論文リスト
- A2DMN: Anatomy-Aware Dilated Multiscale Network for Breast Ultrasound Semantic Segmentation [44.99833362998488]
そこで本研究では, 乳腺解剖をエンコードするスムーズな表現法と, 微細な画像の詳細を捉えた新しい乳腺解剖ネットワークを提案する。
複数の空間スケールにわたるコンテキスト情報を組み込んで、より正確な意味境界を生成する。
以上の結果から, 提案法は, 筋肉, 乳腺, 腫瘍のセグメンテーションを有意に改善することが示された。
論文 参考訳（メタデータ） (2024-03-22T18:31:24Z) - Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。
実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
論文 参考訳（メタデータ） (2023-02-22T03:02:52Z) - 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) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳（メタデータ） (2021-04-05T13:15:22Z) - Deep-LIBRA: Artificial intelligence method for robust quantification of
breast density with independent validation in breast cancer risk assessment [2.0369879867185143]
現在の連邦法では、乳房検診中の女性全員の乳房密度の報告を義務付けている。
本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。
論文 参考訳（メタデータ） (2020-11-13T15:21:17Z) - On segmentation of pectoralis muscle in digital mammograms by means of
deep learning [1.7114784273243784]
本稿では,データ駆動予測とグラフベース画像処理を組み合わせた2段階のセグメンテーション戦略を提案する。
提案手法では,乳房-胸部境界の位置を予測するために,畳み込みニューラルネットワーク(CNN)を用いる。
比較分析の結果,最先端技術よりも大幅に改善され,モデルフリーで完全自動処理が可能となった。
論文 参考訳（メタデータ） (2020-08-29T03:38:11Z) - A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms [13.842620686759616]
乳がんの大規模検診ではマンモグラムが一般的に用いられる。
画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。
グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。
画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
論文 参考訳（メタデータ） (2020-04-24T13:06:47Z) - 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) - Two-stage multi-scale breast mass segmentation for full mammogram
analysis without user intervention [2.7490008316742096]
マンモグラフィーは乳がんの早期発見と診断に使用される主要な画像モダリティである。
各種の乳腺異常のうち,乳腺癌では腫瘤が最も重要な臨床所見である。
高分解能フルマンモグラムから正確な質量輪郭を提供する2段階のマルチスケールパイプラインを提案する。
論文 参考訳（メタデータ） (2020-02-27T13:16:22Z) - 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。