論文の概要: Localisation of Mammographic masses by Greedy Backtracking of
Activations in the Stacked Auto-Encoders
- arxiv url: http://arxiv.org/abs/2305.05136v1
- Date: Tue, 9 May 2023 02:46:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 14:04:21.223165
- Title: Localisation of Mammographic masses by Greedy Backtracking of
Activations in the Stacked Auto-Encoders
- Title（参考訳）: 重み付きオートエンコーダにおける活性化のグレディバックトラックによるマンモグラフィ集団の局在
- Authors: Shamna Pootheri and Govindan V K
- Abstract要約: マンモグラフィ画像解析には,正常なマンモグラフィの正確な位置決めが必要である。
重畳された自動エンコーダの最大クラスアクティベーションに基づく,新しいマンモグラフィマスローカライゼーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mammographic image analysis requires accurate localisation of salient
mammographic masses. In mammographic computer-aided diagnosis, mass or Region
of Interest (ROI) is often marked by physicians and features are extracted from
the marked ROI. In this paper, we present a novel mammographic mass
localisation framework, based on the maximal class activations of the stacked
auto-encoders. We hypothesize that the image regions activating abnormal
classes in mammographic images will be the breast masses which causes the
anomaly. The experiment is conducted using randomly selected 200 mammographic
images (100 normal and 100 abnormal) from IRMA mammographic dataset. Abnormal
mass regions marked by an expert radiologist are used as the ground truth. The
proposed method outperforms existing Deep Convolutional Neural Network (DCNN)
based techniques in terms of salient region detection accuracy. The proposed
greedy backtracking method is more efficient and does not require a vast number
of labelled training images as in DCNN based method. Such automatic
localisation method will assist physicians to make accurate decisions on biopsy
recommendations and treatment evaluations.
- Abstract（参考訳）: マンモグラフィ画像解析には, 高度マンモグラフィ塊の正確な局所化が必要である。
マンモグラフィーによるコンピュータ診断では、質量または関心領域(ROI)はしばしば医師によってマークされ、特徴は指標ROIから抽出される。
本稿では,重畳された自動エンコーダの最大クラスアクティベーションに基づく,新しいマンモグラフィマスローカライゼーションフレームワークを提案する。
マンモグラフィ画像の異常クラスを活性化する画像領域は乳房の腫瘤で異常を生じさせると仮定した。
この実験はIRMAマンモグラフィーデータセットからランダムに選択された200枚のマンモグラフィー画像(正常100枚,異常100枚)を用いて行った。
専門の放射線技師が特徴とする異常な質量領域を根拠として用いる。
提案手法は,既存のDeep Convolutional Neural Network (DCNN) に基づく領域検出精度に優れる。
提案手法はより効率的であり,dcnn法のように多数のラベル付きトレーニング画像を必要としない。
このような自動位置決め法は、医師が生検勧告や治療評価について正確な判断を下すのを助ける。
関連論文リスト
- Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。
SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。
3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2024-05-21T15:41:34Z) - Weakly supervised alignment and registration of MR-CT for cervical cancer radiotherapy [9.060365057476133]
子宮頸癌は女性の死因の1つである。
予備的な空間アライメントアルゴリズムと弱教師付きマルチモーダル登録ネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-21T15:05:51Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Weakly-supervised High-resolution Segmentation of Mammography Images for
Breast Cancer Diagnosis [17.936019428281586]
がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。
本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。
乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
論文 参考訳（メタデータ） (2021-06-13T17:25:21Z) - DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文 参考訳（メタデータ） (2021-01-24T03:30:59Z) - Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。
本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。
提案法はマンモグラフィー画像から乳癌検出に適応する。
論文 参考訳（メタデータ） (2020-08-24T09:00:30Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography [6.323318523772466]
対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。
まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。
以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
論文 参考訳（メタデータ） (2020-03-01T09:04:24Z)
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。