論文の概要: Masked Video Modeling with Correlation-aware Contrastive Learning for
Breast Cancer Diagnosis in Ultrasound
- arxiv url: http://arxiv.org/abs/2208.09881v1
- Date: Sun, 21 Aug 2022 13:23:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:21:55.044574
- Title: Masked Video Modeling with Correlation-aware Contrastive Learning for
Breast Cancer Diagnosis in Ultrasound
- Title（参考訳）: 超音波乳がん診断のための相関対応コントラスト学習を用いた仮面ビデオモデリング
- Authors: Zehui Lin, Ruobing Huang, Dong Ni, Jiayi Wu, Baoming Luo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.957750764582688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is one of the leading causes of cancer deaths in women. As the
primary output of breast screening, breast ultrasound (US) video contains
exclusive dynamic information for cancer diagnosis. However, training models
for video analysis is non-trivial as it requires a voluminous dataset which is
also expensive to annotate. Furthermore, the diagnosis of breast lesion faces
unique challenges such as inter-class similarity and intra-class variation. In
this paper, we propose a pioneering approach that directly utilizes US videos
in computer-aided breast cancer diagnosis. It leverages masked video modeling
as pretraning to reduce reliance on dataset size and detailed annotations.
Moreover, a correlation-aware contrastive loss is developed to facilitate the
identifying of the internal and external relationship between benign and
malignant lesions. Experimental results show that our proposed approach
achieved promising classification performance and can outperform other
state-of-the-art methods.
- Abstract（参考訳）: 乳癌は女性のがん死の主要な原因の1つである。
乳房検診の主要な出力として,乳房超音波(US)ビデオには,がん診断のための排他的ダイナミック情報が含まれている。
しかし、ビデオ分析のためのトレーニングモデルは、注釈が高価なvoluminousデータセットを必要とするため、ささいなものではない。
さらに, 乳腺病変の診断には, クラス間類似性やクラス内変動などの特異な課題がある。
本稿では,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。
また,良性病変と悪性病変との内部・外的関係の同定を容易にするために,相関対応型コントラスト損失法が開発されている。
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。
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) - Breast Ultrasound Report Generation using LangChain [58.07183284468881]
本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。
本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
論文 参考訳（メタデータ） (2023-12-05T00:28:26Z) - 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) - 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) - HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer
Diagnosis in Ultrasound Images [20.00255523765042]
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。
論文 参考訳（メタデータ） (2022-05-17T14:11:07Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - 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) - Discriminative Localized Sparse Representations for Breast Cancer
Screening [0.0]
乳がんの早期発見と診断は、その死亡率を低下させ、生活の質を向上させる可能性がある。
CAD(Computer-Aided Detection)とCAD(Computer-Aided diagnosis)技術は,人間の読影の負担を軽減することを約束している。
スパース解析技術は、画像パターンを表現および認識するための関連する結果を生み出している。
論文 参考訳（メタデータ） (2020-11-20T04:15:17Z) - 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。