論文の概要: Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images
- arxiv url: http://arxiv.org/abs/2303.15699v2
- Date: Mon, 28 Aug 2023 04:46:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 00:25:39.759845
- Title: Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images
- Title(参考訳): 事前画像の導入による乳癌リスク予測の強化
- Authors: Hyeonsoo Lee, Junha Kim, Eunkyung Park, Minjeong Kim, Taesoo Kim,
Thijs Kooi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.756888862171195
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recently, deep learning models have shown the potential to predict breast
cancer risk and enable targeted screening strategies, but current models do not
consider the change in the breast over time. In this paper, we present a new
method, PRIME+, for breast cancer risk prediction that leverages prior
mammograms using a transformer decoder, outperforming a state-of-the-art risk
prediction method that only uses mammograms from a single time point. We
validate our approach on a dataset with 16,113 exams and further demonstrate
that it effectively captures patterns of changes from prior mammograms, such as
changes in breast density, resulting in improved short-term and long-term
breast cancer risk prediction. Experimental results show that our model
achieves a statistically significant improvement in performance over the
state-of-the-art based model, with a C-index increase from 0.68 to 0.73 (p <
0.05) on held-out test sets.
- Abstract(参考訳): 近年, 深層学習モデルでは乳がんリスクを予測し, スクリーニング戦略を可能にする可能性が示されたが, 乳がんの経時的変化は考慮されていない。
本稿では,乳がんリスク予測のための新しい手法 prime+ を提案する。この手法はトランスフォーマデコーダを用いて乳がんリスク予測を行う。
16,113件の検診をデータセット上で検証し,乳房密度の変化などの乳房x線写真の変化パターンを効果的に捉えることにより,乳がんリスク予測の短期的・長期的改善が期待できることを示した。
実験結果から,C-インデックスは0.68から0.73(p < 0.05)に増加し,最先端モデルよりも統計的に顕著な性能向上が得られた。
関連論文リスト
- Unsupversied feature correlation model to predict breast abnormal
variation maps in longitudinal mammograms [1.6249398255272316]
本研究は,乳腺異常の早期発見と診断の精度の向上に焦点を当てた。
縦2次元マンモグラフィーを用いて乳房異常変化を示す地図を生成するために, 新規な教師なし特徴相関ネットワークを開発した。
その結果,提案モデルは,精度,感度,特異性,Diceスコア,がん検出率において,ベースラインモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-12-28T01:37:55Z) - 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) - 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) - 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) - Robust Cross-vendor Mammographic Texture Models Using Augmentation-based
Domain Adaptation for Long-term Breast Cancer Risk [0.5284541478311979]
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。
論文 参考訳(メタデータ) (2022-12-27T10:37:02Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
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。
論文 参考訳(メタデータ) (2022-09-20T15:57:12Z) - 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) - 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) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳(メタデータ) (2022-01-09T04:35:55Z) - CSAW-M: An Ordinal Classification Dataset for Benchmarking Mammographic
Masking of Cancer [8.0701718204815]
乳腺腫瘍は, 乳腺検診で偽陰性評価がみられたため, 早期発見が一般的である。
スクリーニング時間の欠如は、腫瘍が周囲の乳房組織によって隠蔽されていることが原因であることが多い。
CSAW-Mは,1万人以上の個人から収集され,潜在的なマスキングを伴ってアノテートされた,最大規模のマンモグラフィーデータセットである。
論文 参考訳(メタデータ) (2021-12-02T15:31:51Z)
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。