論文の概要: High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection

• arxiv url: http://arxiv.org/abs/2209.09809v1
• Date: Tue, 20 Sep 2022 15:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 19:19:38.615598
• Title: High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection
• Title（参考訳）: 高密度乳腺マモグラムの高分解能合成 : 深層学習に基づく質量検出におけるフェアネス向上への応用
• Authors: Lidia Garrucho, Kaisar Kushibar, Richard Osuala, Oliver Diaz, Alessandro Catanese, Javier del Riego, Maciej Bobowicz, Fredrik Strand, Laura Igual, Karim Lekadir
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.88813637974911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-aided detection systems based on deep learning have shown good performance in breast cancer detection. However, high-density breasts show poorer detection performance since dense tissues can mask or even simulate masses. Therefore, the sensitivity of mammography for breast cancer detection can be reduced by more than 20% in dense breasts. Additionally, extremely dense cases reported an increased risk of cancer compared to low-density breasts. This study aims to improve the mass detection performance in high-density breasts using synthetic high-density full-field digital mammograms (FFDM) as data augmentation during breast mass detection model training. To this end, a total of five cycle-consistent GAN (CycleGAN) models using three FFDM datasets were trained for low-to-high-density image translation in high-resolution mammograms. The training images were split by breast density BI-RADS categories, being BI-RADS A almost entirely fatty and BI-RADS D extremely dense breasts. Our results showed that the proposed data augmentation technique improved the sensitivity and precision of mass detection in high-density breasts by 2% and 6% in two different test sets and was useful as a domain adaptation technique. In addition, the clinical realism of the synthetic images was evaluated in a reader study involving two expert radiologists and one surgical oncologist.
• Abstract（参考訳）: 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。 しかし密度の高い乳房は、密度の高い組織がマスをマスクしたりシミュレートしたりできるため、検出性能が低くなる。 したがって、乳がん検出のためのマンモグラフィーの感度は、高濃度乳がんでは20%以上低下することができる。 さらに,低密度乳房と比較して癌リスクが増大した。 本研究では, 高密度フルフィールドデジタルマンモグラム (ffdm) を母乳マス検出モデルトレーニングにおけるデータ強化として用いることで, 高密度乳房のマス検出性能の向上を目指す。 この目的のために,3つのFFDMデータセットを用いた5つのサイクル一貫性GAN(CycleGAN)モデルを用いて,高分解能マンモグラムの低密度画像翻訳を訓練した。 トレーニング画像は乳房密度 BI-RADS の分類で区切られ, BI-RADS A はほぼ完全に脂肪酸であり, BI-RADS D は極度に高濃度の乳房であった。 提案手法は, 2種類のテストセットにおいて, 高密度乳房における質量検出の感度と精度を2%, 6%向上させ, ドメイン適応法として有用であった。 さらに,2名の専門放射線医と1名の外科腫瘍医を対象とする読影者を対象に,合成画像の臨床的リアリズムを評価した。

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)
• LightBTSeg: A lightweight breast tumor segmentation model using ultrasound images via dual-path joint knowledge distillation [1.9355072302703609]
  乳がんの軽度分節化のための二重パス共同知識蒸留フレームワークLightBTSegを提案する。 我々は、ボトルネックアーキテクチャを活用して、オリジナルの注意U-Netを再構築する。 そして、良性・悪性のカテゴリーの事前知識を用いて、二重経路連成知識蒸留を併用した教師ネットワークを設計する。
  論文  参考訳（メタデータ） (2023-11-18T14:25:40Z)
• 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)
• A multi-reconstruction study of breast density estimation using Deep Learning [0.9449650062296825]
  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。
  論文  参考訳（メタデータ） (2022-02-16T18:34:08Z)
• 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)
• 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)
• Joint 2D-3D Breast Cancer Classification [22.031221319016353]
  デジタルマンモグラフィー(Digital Mammograms、DMまたは2Dマンモグラフィー)とデジタル乳房トモシンセシス(DBTまたは3Dマンモグラフィー)は、乳がんの診断・診断に使用される2種類のマンモグラフィー画像である。 乳がん分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:08:16Z)
• 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。