論文の概要: RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement

• arxiv url: http://arxiv.org/abs/2304.00257v2
• Date: Fri, 2 Jun 2023 07:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 19:39:15.709293
• Title: RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement
• Title（参考訳）: radifusion:画像の注意と左右の非対称性を考慮した連続的マンモグラフィ画像を用いた乳癌リスク予測モデル
• Authors: Hong Hui Yeoh, Andrea Liew, Rapha\"el Phan, Fredrik Strand, Kartini Rahmat, Tuong Linh Nguyen, John L. Hopper, Maxine Tan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.36355629235144304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is a significant public health concern and early detection is critical for triaging high risk patients. Sequential screening mammograms can provide important spatiotemporal information about changes in breast tissue over time. In this study, we propose a deep learning architecture called RADIFUSION that utilizes sequential mammograms and incorporates a linear image attention mechanism, radiomic features, a new gating mechanism to combine different mammographic views, and bilateral asymmetry-based finetuning for breast cancer risk assessment. We evaluate our model on a screening dataset called Cohort of Screen-Aged Women (CSAW) dataset. Based on results obtained on the independent testing set consisting of 1,749 women, our approach achieved superior performance compared to other state-of-the-art models with area under the receiver operating characteristic curves (AUCs) of 0.905, 0.872 and 0.866 in the three respective metrics of 1-year AUC, 2-year AUC and > 2-year AUC. Our study highlights the importance of incorporating various deep learning mechanisms, such as image attention, radiomic features, gating mechanism, and bilateral asymmetry-based fine-tuning, to improve the accuracy of breast cancer risk assessment. We also demonstrate that our model's performance was enhanced by leveraging spatiotemporal information from sequential mammograms. Our findings suggest that RADIFUSION can provide clinicians with a powerful tool for breast cancer risk assessment.
• Abstract（参考訳）: 乳がんは公衆衛生上の重要な問題であり、早期発見は高リスク患者を治療するために重要である。 シークエンシャルスクリーニングマンモグラムは、経時的に乳房組織の変化について重要な時空間情報を提供する。 本研究では,シーケンシャルマンモグラムを活用し,線状画像注目機構,放射線特徴量,異なるマンモグラフィビューを結合する新たなゲーティング機構,乳がんリスク評価のための左右非対称性に基づく微調整機構を組み込んだ,radifusionと呼ばれるディープラーニングアーキテクチャを提案する。 我々は、CSAWデータセットと呼ばれるスクリーニングデータセットを用いて、モデルを評価した。 その結果,1,749名の女性を対象に,1年間のAUC,2年間のAUC,2年間のAUCの3つの指標において,受信機動作特性曲線(AUC) 0.905, 0.872, 0.866の領域を有する他の最先端モデルと比較して,優れた性能を示した。 本研究は, 乳がんリスク評価の精度を高めるために, 画像注意, 放射線学的特徴, ゲーティング機構, 左右非対称性に基づく微調整などの深層学習機構を取り入れることの重要性を強調した。 また, 逐次マンモグラムからの時空間情報を活用することで, モデルの性能が向上したことを示す。 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。

関連論文リスト

• 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)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening [4.587250201300601]
  マンモグラフィーは高い変動性とマンモグラフィーのパターンのために課題を提起する。 MammoDGはクロスドメインマルチセンターマンモグラフィーデータの汎用的で信頼性の高い解析のための新しいディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-02T10:10:22Z)
• 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)
• 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)
• 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)
• Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning [0.0]
  乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。 以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
  論文  参考訳（メタデータ） (2022-07-13T23:53:09Z)
• 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)
• 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。