論文の概要: HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2205.08390v1
• Date: Tue, 17 May 2022 14:11:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 18:03:37.281877
• Title: HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images
• Title（参考訳）: HoVer-Trans: 超音波画像におけるROIフリー乳癌診断のための解剖学的HoVer-Transformer
• Authors: Yuhao Mo, Chu Han, Yu Liu, Min Liu, Zhenwei Shi, Jiatai Lin, Bingchao Zhao, Chunwang Huang, Bingjiang Qiu, Yanfen Cui, Lei Wu, Xipeng Pan, Zeyan Xu, Xiaomei Huang, Zaiyi Liu, Ying Wang, Changhong Liang
• Abstract要約: 本稿では,乳がん診断のための新しいROIフリーモデルを提案する。 悪性腫瘍と良性腫瘍は異なる組織層間の空間的関係が異なるという解剖学的先行知識を活用する。 提案したHoVer-Transブロックは,水平および垂直に層間および層間空間情報を抽出する。
• 参考スコア（独自算出の注目度）: 20.00255523765042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasonography is an important routine examination for breast cancer diagnosis, due to its non-invasive, radiation-free and low-cost properties. However, it is still not the first-line screening test for breast cancer due to its inherent limitations. It would be a tremendous success if we can precisely diagnose breast cancer by breast ultrasound images (BUS). Many learning-based computer-aided diagnostic methods have been proposed to achieve breast cancer diagnosis/lesion classification. However, most of them require a pre-define ROI and then classify the lesion inside the ROI. Conventional classification backbones, such as VGG16 and ResNet50, can achieve promising classification results with no ROI requirement. But these models lack interpretability, thus restricting their use in clinical practice. In this study, we propose a novel ROI-free model for breast cancer diagnosis in ultrasound images with interpretable feature representations. We leverage the anatomical prior knowledge that malignant and benign tumors have different spatial relationships between different tissue layers, and propose a HoVer-Transformer to formulate this prior knowledge. The proposed HoVer-Trans block extracts the inter- and intra-layer spatial information horizontally and vertically. We conduct and release an open dataset GDPH&GYFYY for breast cancer diagnosis in BUS. The proposed model is evaluated in three datasets by comparing with four CNN-based models and two vision transformer models via a five-fold cross validation. It achieves state-of-the-art classification performance with the best model interpretability.
• Abstract（参考訳）: 超音波検査は,非侵襲的,非放射線的,低コストな特徴から,乳癌診断において重要な定期的検査である。 しかし、本質的な制限があるため、乳がんの第一線のスクリーニング試験ではない。 乳房超音波画像(bus)で正確に乳がんを診断できれば、大きな成功を収めるでしょう。 乳がんの診断/再発分類には, 学習に基づくコンピュータ支援診断法が多数提案されている。 しかし、そのほとんどは定義済みのROIを必要とし、ROI内の病変を分類する。 VGG16やResNet50のような従来の分類バックボーンはROIを必要としない有望な分類結果を達成することができる。 しかし、これらのモデルは解釈可能性に欠けており、臨床での使用を制限する。 本研究では,読解可能な特徴表現を有する超音波画像における乳癌診断のための新しいroiフリーモデルを提案する。 我々は悪性腫瘍と良性腫瘍が異なる組織層間で異なる空間的関係を持つという解剖学的先行知識を活用し,この先行知識を定式化するホバートランスフォーマーを提案する。 提案したHoVer-Transブロックは,水平および垂直に層間および層間空間情報を抽出する。 BUSにおける乳癌診断のためのオープンデータセットGDPH&GYFYYを運用・リリースする。 提案モデルは,CNNに基づく4つのモデルと2つの視覚変換器モデルと比較し,3つのデータセットで評価する。 最高のモデル解釈可能性で最先端の分類性能を実現する。

関連論文リスト

• 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)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Masked Video Modeling with Correlation-aware Contrastive Learning for Breast Cancer Diagnosis in Ultrasound [7.957750764582688]
  コンピュータ支援乳がん診断においてUSビデオを直接活用する先駆的アプローチを提案する。 マスク付きビデオモデリングをプリトランとして利用し、データセットのサイズや詳細なアノテーションへの依存を減らす。 実験の結果,提案手法は有望な分類性能を達成し,他の最先端手法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） (2022-08-21T13:23:32Z)
• Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network [0.0]
  本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。 本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。 結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-08-01T03:45:36Z)
• Meta-repository of screening mammography classifiers [35.24447276237306]
  マンモグラムのスクリーニングのためのディープラーニングモデルを含むメタリポジトリをリリースする。 当社のメタリポジトリには5つの最先端モデルとオープンソース実装が含まれています。 私たちは5つの国際データセットでそれらのパフォーマンスを比較します。
  論文  参考訳（メタデータ） (2021-08-10T17:39:26Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Classification of Breast Cancer Lesions in Ultrasound Images by using Attention Layer and loss Ensembles in Deep Convolutional Neural Networks [0.0]
  本稿では,VGG16アーキテクチャーのアテンションモジュールを用いた乳癌病変の分類のための新しい枠組みを提案する。 また,双曲性コサイン損失の二値交互エントロピーと対数の組み合わせである新たなアンサンブル損失関数を提案し,分類病変とそのラベル間のモデル差を改善する。 本研究で提案したモデルは,93%の精度で他の改良VGG16アーキテクチャよりも優れており,乳がん病変の分類のための他の技術フレームワークと競合する結果となった。
  論文  参考訳（メタデータ） (2021-02-23T06:49:12Z)
• 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)
• 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。