論文の概要: Robust Cross-vendor Mammographic Texture Models Using Augmentation-based Domain Adaptation for Long-term Breast Cancer Risk

• arxiv url: http://arxiv.org/abs/2212.13439v1
• Date: Tue, 27 Dec 2022 10:37:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:05:50.557843
• Title: Robust Cross-vendor Mammographic Texture Models Using Augmentation-based Domain Adaptation for Long-term Breast Cancer Risk
• Title（参考訳）: 長期乳癌リスクに対する強化型ドメイン適応を用いたロバストなクロスベンドルマンモグラフィテクスチャモデル
• Authors: Andreas D. Lauritzen, My Catarina von Euler-Chelpin, Elsebeth Lynge, Ilse Vejborg, Mads Nielsen, Nico Karssemeijer, and Martin Lillholm
• Abstract要約: マンモグラフィーに基づくリスクモデルは、異なる集団やマンモグラフィー装置によって引き起こされるドメインシフトに対して頑健でなければならない。 我々は長期的リスク評価のための堅牢でクロスベンダなモデルを開発した。
• 参考スコア（独自算出の注目度）: 0.5284541478311979
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The future of population-based breast cancer screening is likely personalized strategies based on clinically relevant risk models. Mammography-based risk models should remain robust to domain shifts caused by different populations and mammographic devices. Modern risk models do not ensure adaptation across vendor-domains and are often conflated to unintentionally rely on both precursors of cancer and systemic/global mammographic information associated with short- and long-term risk, respectively, which might limit performance. We developed a robust, cross-vendor model for long-term risk assessment. An augmentation-based domain adaption technique, based on flavorization of mammographic views, ensured generalization to an unseen vendor-domain. We trained on samples without diagnosed/potential malignant findings to learn systemic/global breast tissue features, called mammographic texture, indicative of future breast cancer. However, training so may cause erratic convergence. By excluding noise-inducing samples and designing a case-control dataset, a robust ensemble texture model was trained. This model was validated in two independent datasets. In 66,607 Danish women with flavorized Siemens views, the AUC was 0.71 and 0.65 for prediction of interval cancers within two years (ICs) and from two years after screening (LTCs), respectively. In a combination with established risk factors, the model's AUC increased to 0.68 for LTCs. In 25,706 Dutch women with Hologic-processed views, the AUCs were not different from the AUCs in Danish women with flavorized views. The results suggested that the model robustly estimated long-term risk while adapting to an unseen processed vendor-domain. The model identified 8.1% of Danish women accounting for 20.9% of ICs and 14.2% of LTCs.
• Abstract（参考訳）: 乳がん検診の未来は、臨床的に関連するリスクモデルに基づくパーソナライズされた戦略である可能性が高い。 マンモグラフィに基づくリスクモデルは、異なる人口とマンモグラフィ装置によって引き起こされるドメインシフトに対して頑健であるべきである。 現代のリスクモデルはベンダードメイン間の適応を保証せず、しばしば、がんの前駆体と短期リスクと長期リスクに関連する全身的/言語的マンモグラフィ情報の両方に意図せずに依存するために混同される。 長期リスク評価のための堅牢でクロスベンダなモデルを開発した。 マンモグラフィービューのフレーバー化に基づく拡張ベースのドメイン適応技術は、目に見えないベンダードメインへの一般化を保証する。 当科では, 悪性度診断・潜在的な悪性度を伴わない検体を用いて, マンモグラフィー・テクスチャと呼ばれる全身・舌乳房組織の特徴を学習し, 将来の乳癌の徴候について検討した。 しかし、訓練は不規則な収束を引き起こす可能性がある。 ノイズ誘導サンプルを除外し,ケースコントロールデータセットを設計することにより,頑健なアンサンブルテクスチャモデルを訓練した。 このモデルは2つの独立したデータセットで検証された。 シーメンスを風味付けしたデンマークの女性66,607人に対し、aucは2年以内のインターバルがん(ic)とスクリーニング(ltc)の2年後(ltc)の予測のために 0.71 と 0.65 であった。 確立されたリスク要因と組み合わせて、モデルAUCはLCCの0.68に増加した。 25,706人のオランダ人女性がホロジカルな見方をしており、aucsはデンマーク人女性のaucsとは異なるものではない。 その結果,未確認のベンダードメインに適応しながら,長期的リスクを頑健に見積もった。 このモデルでは、デンマーク女性の8.1%がICの20.9%、LCCの14.2%を占めていた。

関連論文リスト

• Mammo-Clustering:A Weakly Supervised Multi-view Global-Local Context Clustering Network for Detection and Classification in Mammography [13.581151516877238]
  文脈クラスタリングに基づく乳がん早期検診モデルを提案する。 本モデルは, 乳がん検診における医師の負担軽減と, 未発達地域の女性に対する乳がん検診の可能性を高める可能性を示唆する。
  論文  参考訳（メタデータ） (2024-09-23T10:17:13Z)
• Modified Risk Formulation for Improving the Prediction of Knee Osteoarthritis Progression [36.12790384412525]
  変形性関節症(OA)の予後を予測するための現在の手法は、疾患固有の先行知識を取り入れていない。 我々は,OA結果予測を改善するために連続画像解析を効果的に活用する新しい手法を開発した。
  論文  参考訳（メタデータ） (2024-06-14T15:24:49Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data [3.982926115291704]
  マルチモーダルトランス (MMT) はマンモグラフィーと超音波を相乗的に利用するニューラルネットワークである。 MMTは、現在の検査と以前の画像を比較することで、時間的組織変化を追跡する。 5年間のリスク予測では、MMTはAUROCの0.826を達成し、従来のマンモグラフィーベースのリスクモデルより優れている。
  論文  参考訳（メタデータ） (2023-11-06T16:01:42Z)
• RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement [0.36355629235144304]
  本研究は, 画像注意放射能, ゲーティング機構, 左右非対称性に基づく微調整など, 様々な深層学習機構の重要性を強調した。 乳がんリスク評価のための強力なツールとして, RADIfusionが有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-01T08:18:13Z)
• Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images [8.756888862171195]
  本稿では,トランスフォーマーデコーダを用いた乳がんリスク予測のための新しい手法PRIME+を提案する。 我々は16,113検診のデータセットにアプローチを検証し,従来のマンモグラムから変化パターンを効果的に捉えることを実証した。 実験の結果,C-インデックスは0.68から0.73に増加し,最先端モデルよりも統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T03:05:25Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。