論文の概要: Effect of Random Histogram Equalization on Breast Calcification Analysis
Using Deep Learning
- arxiv url: http://arxiv.org/abs/2205.01684v1
- Date: Tue, 3 May 2022 15:26:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 05:45:24.134695
- Title: Effect of Random Histogram Equalization on Breast Calcification Analysis
Using Deep Learning
- Title(参考訳): 深層学習を用いた乳房石灰化解析におけるランダムヒストグラム等化の効果
- Authors: Adarsh Bhandary Panambur, Prathmesh Madhu, Andreas Maier
- Abstract要約: 乳がん診断ワークフローにおいて,マンモグラム画像の石灰化の早期検出と解析が重要である。
近年の研究では、深層学習に基づくアルゴリズムがマンモグラフィーにおける不審な石灰化を解析するために頑健な表現を学習できることが示されている。
データ拡張技術としての石灰化パッチのヒストグラムをランダムに等化することは、不審石灰化を解析するための分類性能を著しく向上させることができることを示す。
- 参考スコア(独自算出の注目度): 8.961271420114794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early detection and analysis of calcifications in mammogram images is crucial
in a breast cancer diagnosis workflow. Management of calcifications that
require immediate follow-up and further analyzing its benignancy or malignancy
can result in a better prognosis. Recent studies have shown that deep
learning-based algorithms can learn robust representations to analyze
suspicious calcifications in mammography. In this work, we demonstrate that
randomly equalizing the histograms of calcification patches as a data
augmentation technique can significantly improve the classification performance
for analyzing suspicious calcifications. We validate our approach by using the
CBIS-DDSM dataset for two classification tasks. The results on both the tasks
show that the proposed methodology gains more than 1% mean accuracy and
F1-score when equalizing the data with a probability of 0.4 when compared to
not using histogram equalization. This is further supported by the t-tests,
where we obtain a p-value of p<0.0001, thus showing the statistical
significance of our approach.
- Abstract(参考訳): 乳腺画像における石灰化の早期検出と解析は乳癌診断ワークフローにおいて重要である。
即時フォローアップを必要とし、その良性または悪性を解析する石灰化の管理は、より良い予後をもたらす。
最近の研究では、深層学習に基づくアルゴリズムは、マンモグラフィの疑わしい石灰化を分析するためにロバスト表現を学習できることが示されている。
本研究では,不審な石灰化を解析するための分類性能を大幅に向上させるデータ拡張手法として,石灰化パッチのヒストグラムをランダムに等化できることを実証する。
2つの分類タスクをcbis-ddsmデータセットを用いて検証した。
その結果,提案手法はヒストグラム等化を用いない場合と比較して,0.4の確率でデータを等化した場合の平均精度が1%以上,F1スコアが得られた。
これはさらにt検定によって支持され、p<0.0001のp値が得られるため、このアプローチの統計的意義を示す。
関連論文リスト
- Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries [0.0]
この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。
XGBoostはSMOTEの適用前後で最適なモデルであった。
この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
論文 参考訳(メタデータ) (2023-09-27T20:12:19Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Whole-slide-imaging Cancer Metastases Detection and Localization with
Limited Tumorous Data [2.715884199292287]
スライド画像のラベル付けがほとんどない場合,腫瘍の局所化と検出の問題に対処する。
提案手法は,パブリックなCamelyon16データセット上でのトレーニングサンプルの10%以下で同様の性能を実現する。
論文 参考訳(メタデータ) (2023-03-18T06:07:10Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳(メタデータ) (2022-07-13T23:53:09Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Automated Deep Learning Analysis of Angiography Video Sequences for
Coronary Artery Disease [4.233200689119682]
冠状動脈閉塞(狭窄)の評価は、現在、医師による冠動脈造影ビデオシーケンスの視覚的評価によって行われている。
深層学習に基づく自動解析パイプラインを報告し,冠動脈血管造影を迅速かつ客観的に評価する。
我々は、ResNetやU-Netといった強力なディープラーニングアプローチと、従来の画像処理と幾何解析を組み合わせた。
論文 参考訳(メタデータ) (2021-01-29T10:23:49Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - 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)
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。