論文の概要: BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2305.12447v1
• Date: Sun, 21 May 2023 12:40:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 20:24:18.734029
• Title: BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images
• Title（参考訳）: BreastSAM:超音波画像における乳腺腫瘍検出のためのセグメンテーションモデルの検討
• Authors: Mingzhe Hu, Yuheng Li, Xiaofeng Yang
• Abstract要約: 超音波画像における乳腺腫瘍のインタラクティブセグメンテーションのためのセグメンテーションモデル(SAM)について検討した。 ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。 本研究は悪性腫瘍と良性乳癌の分節化におけるモデルの性能の差について検討した。
• 参考スコア（独自算出の注目度）: 2.752682633344525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is one of the most common cancers among women worldwide, with early detection significantly increasing survival rates. Ultrasound imaging is a critical diagnostic tool that aids in early detection by providing real-time imaging of the breast tissue. We conducted a thorough investigation of the Segment Anything Model (SAM) for the task of interactive segmentation of breast tumors in ultrasound images. We explored three pre-trained model variants: ViT_h, ViT_l, and ViT_b, among which ViT_l demonstrated superior performance in terms of mean pixel accuracy, Dice score, and IoU score. The significance of prompt interaction in improving the model's segmentation performance was also highlighted, with substantial improvements in performance metrics when prompts were incorporated. The study further evaluated the model's differential performance in segmenting malignant and benign breast tumors, with the model showing exceptional proficiency in both categories, albeit with slightly better performance for benign tumors. Furthermore, we analyzed the impacts of various breast tumor characteristics - size, contrast, aspect ratio, and complexity - on segmentation performance. Our findings reveal that tumor contrast and size positively impact the segmentation result, while complex boundaries pose challenges. The study provides valuable insights for using SAM as a robust and effective algorithm for breast tumor segmentation in ultrasound images.
• Abstract（参考訳）: 乳がんは世界でも最も一般的ながんの1つであり、早期発見は生存率を著しく高めている。 超音波イメージングは乳房組織のリアルタイムイメージングを提供することで早期発見を支援する重要な診断ツールである。 超音波画像中の乳腺腫瘍のインタラクティブセグメンテーションタスクのために,segment anything model(sam)の徹底的な検討を行った。 ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。 モデルのセグメンテーション性能向上におけるプロンプトインタラクションの重要性も強調され、プロンプトが組み込まれた時のパフォーマンスメトリクスが大幅に改善された。 乳腺悪性腫瘍と良性乳腺腫瘍の分節化におけるモデルの性能はさらに評価され,良性腫瘍では若干高い成績を示したが,いずれの分類においても異常な熟練度を示した。 さらに, 乳腺腫瘍の特徴として, サイズ, コントラスト, アスペクト比, 複雑度セグメンテーションが与える影響について検討した。 その結果,腫瘍のコントラストとサイズがセグメンテーションの結果に有意な影響を及ぼし,複雑な境界が課題となることが明らかとなった。 この研究は、超音波画像における乳腺腫瘍のセグメンテーションのための堅牢で効果的なアルゴリズムとしてSAMを使用するための貴重な知見を提供する。

関連論文リスト

• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• LightBTSeg: A lightweight breast tumor segmentation model using ultrasound images via dual-path joint knowledge distillation [1.9355072302703609]
  乳がんの軽度分節化のための二重パス共同知識蒸留フレームワークLightBTSegを提案する。 我々は、ボトルネックアーキテクチャを活用して、オリジナルの注意U-Netを再構築する。 そして、良性・悪性のカテゴリーの事前知識を用いて、二重経路連成知識蒸留を併用した教師ネットワークを設計する。
  論文  参考訳（メタデータ） (2023-11-18T14:25:40Z)
• Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
  この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。 U-Netモデルは医用画像セグメンテーション用に特別に設計されている。 事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-21T18:49:21Z)
• 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)
• 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)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Robust Pancreatic Ductal Adenocarcinoma Segmentation with Multi-Institutional Multi-Phase Partially-Annotated CT Scans [25.889684822655255]
  膵管腺癌(PDAC)セグメンテーションは最も困難な腫瘍セグメンテーションの1つである。 新たな自己学習フレームワークに基づいて,より多量の患者を用いてPDACセグメンテーションモデルを訓練することを提案する。 実験の結果,提案手法は,注釈付き画像に基づいてトレーニングしたnnUNetの強いベースラインに対して,Diceスコアの6.3%を絶対的に改善することを示した。
  論文  参考訳（メタデータ） (2020-08-24T18:50:30Z)
• 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)
• 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。