論文の概要: Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning

• arxiv url: http://arxiv.org/abs/2301.09282v1
• Date: Mon, 23 Jan 2023 05:58:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 14:00:16.933401
• Title: Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning
• Title（参考訳）: 転写学習を用いたフルマンモグラム画像におけるルミナルサブタイプの分類
• Authors: Adarsh Bhandary Panambur, Prathmesh Madhu, Andreas Maier
• Abstract要約: 転移学習は乳房異常分類タスクからResNet-18ベースの光と非光のサブタイプ分類タスクを微調整する。 提案手法は,AUCの平均スコア0.6688,F1の平均スコア0.6693をテストデータセット上で達成することにより,ベースライン分類器を著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 8.961271420114794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic identification of patients with luminal and non-luminal subtypes during a routine mammography screening can support clinicians in streamlining breast cancer therapy planning. Recent machine learning techniques have shown promising results in molecular subtype classification in mammography; however, they are highly dependent on pixel-level annotations, handcrafted, and radiomic features. In this work, we provide initial insights into the luminal subtype classification in full mammogram images trained using only image-level labels. Transfer learning is applied from a breast abnormality classification task, to finetune a ResNet-18-based luminal versus non-luminal subtype classification task. We present and compare our results on the publicly available CMMD dataset and show that our approach significantly outperforms the baseline classifier by achieving a mean AUC score of 0.6688 and a mean F1 score of 0.6693 on the test dataset. The improvement over baseline is statistically significant, with a p-value of p<0.0001.
• Abstract（参考訳）: マンモグラフィ検診中の光・非光亜型患者の自動同定は、乳癌治療計画の合理化に臨床医を支援できる。 最近の機械学習技術は、マンモグラフィにおける分子サブタイプ分類に有望な結果を示しているが、それらはピクセルレベルのアノテーション、手作り、放射能の特徴に大きく依存している。 本研究では,画像レベルラベルのみを用いてトレーニングしたフルマンモグラム画像の発光サブタイプ分類について,最初の知見を提供する。 乳房異常分類タスクから転送学習を適用し、resnet-18ベースの発光と非発光サブタイプ分類タスクを微調整する。 提案手法は,公開可能な cmmd データセット上で,平均 auc スコア 0.6688 と平均 f1 スコア 0.6693 をテストデータセットで達成することで,ベースライン分類器を著しく上回っていることを示す。 ベースラインに対する改善は統計的に有意であり、p値はp<0.0001である。

関連論文リスト

• Ulcerative Colitis Mayo Endoscopic Scoring Classification with Active Learning and Generative Data Augmentation [2.5241576779308335]
  深層学習に基づく手法は、これらの画像の自動解析に有効であり、医師の助けになる可能性がある。 本稿では,能動的学習に基づく生成促進手法を提案する。 この方法は、実際の内視鏡画像からなる小さなデータセットを用いてトレーニングすることで、多数の合成サンプルを生成することを含む。
  論文  参考訳（メタデータ） (2023-11-10T13:42:21Z)
• Self-supervision for medical image classification: state-of-the-art performance with ~100 labeled training samples per class [0.0]
  ラベルを含まない自己蒸留法(DINO)における自己教師型DLの性能を解析した。 我々は,3つの画像モダリティとデータセットに対して,最先端の分類性能を実現する。
  論文  参考訳（メタデータ） (2023-04-11T11:51:50Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• How Transferable Are Self-supervised Features in Medical Image Classification Tasks? [0.7734726150561086]
  トランスファーラーニングは、医学分類タスクにおけるラベル付きデータの欠如を軽減するための標準的プラクティスとなっている。 自己教師付き事前訓練モデルでは、教師付きモデルよりもリッチな埋め込みが得られる。 Dynamic Visual Meta-Embedding (DVME)は、複数のモデルから事前学習された埋め込みを融合するエンドツーエンドのトランスファー学習アプローチである。
  論文  参考訳（メタデータ） (2021-08-23T10:39:31Z)
• Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
  頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。 我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
  論文  参考訳（メタデータ） (2021-08-21T08:41:41Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。