論文の概要: M&M: Tackling False Positives in Mammography with a Multi-view and Multi-instance Learning Sparse Detector

• arxiv url: http://arxiv.org/abs/2308.06420v1
• Date: Fri, 11 Aug 2023 23:59:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 17:35:27.058379
• Title: M&M: Tackling False Positives in Mammography with a Multi-view and Multi-instance Learning Sparse Detector
• Title（参考訳）: M&M:マルチビュー・マルチインスタンス学習スパース検出器を用いたマンモグラフィーにおける偽陽性の対応
• Authors: Yen Nhi Truong Vu, Dan Guo, Ahmed Taha, Jason Su, Thomas Paul Matthews
• Abstract要約: 深層学習に基づく物体検出法は, マンモグラフィーのスクリーニングの改善を約束するが, 偽陽性率が高いと臨床実践における効果を阻害する可能性がある。 自然画像とは異なり,悪性マンモグラフィーは1つの悪性所見のみを含むのが一般的であり,マンモグラフィー検査は各乳房の2つの視点を含むため,どちらの視点も正しく評価されるべきである。 我々は,(1)スパースR-CNNの活用,(2)マンモグラフィの高密度検出器よりもスパース検出器の方が適切であることを示す,(2)異なる視点から情報を合成するための多視点横断モジュールを含む,3つの課題に取り組む。
• 参考スコア（独自算出の注目度）: 13.67324365495568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep-learning-based object detection methods show promise for improving screening mammography, but high rates of false positives can hinder their effectiveness in clinical practice. To reduce false positives, we identify three challenges: (1) unlike natural images, a malignant mammogram typically contains only one malignant finding; (2) mammography exams contain two views of each breast, and both views ought to be considered to make a correct assessment; (3) most mammograms are negative and do not contain any findings. In this work, we tackle the three aforementioned challenges by: (1) leveraging Sparse R-CNN and showing that sparse detectors are more appropriate than dense detectors for mammography; (2) including a multi-view cross-attention module to synthesize information from different views; (3) incorporating multi-instance learning (MIL) to train with unannotated images and perform breast-level classification. The resulting model, M&M, is a Multi-view and Multi-instance learning system that can both localize malignant findings and provide breast-level predictions. We validate M&M's detection and classification performance using five mammography datasets. In addition, we demonstrate the effectiveness of each proposed component through comprehensive ablation studies.
• Abstract（参考訳）: 深層学習に基づく物体検出法は, マンモグラフィーのスクリーニングの改善を約束するが, 偽陽性率が高いと臨床効果を阻害する可能性がある。 偽陽性を減少させるには,(1) 自然画像と異なり,悪性マンモグラフィは1つの悪性所見しか含まない,(2) マンモグラフィ検査は各乳房の2つの所見を包含する,(2) どちらの見解も正しい評価をすべきである,(3) マンモグラムは否定的であり,何の所見も含まない,の3つの課題を見いだす。 本研究では,(1)スパースR-CNNの活用と,(2)マンモグラフィの高密度検出器よりもスパース検出器の方が適切であることを示すこと,(2)異なる視点から情報を合成するための多視点クロスアテンションモジュールを含むこと,(3)マルチインスタンス・ラーニング(MIL)を取り入れた乳房レベルの分類を行うこと,の3つの課題に取り組む。 得られたモデルであるM&Mは、悪性所見の局所化と乳房レベルの予測を提供するマルチビューおよびマルチインスタンス学習システムである。 5つのマンモグラフィーデータセットを用いてM&Mの検出と分類性能を検証する。 また,提案する各成分の有効性を包括的アブレーション研究により実証する。

関連論文リスト

• Features Fusion for Dual-View Mammography Mass Detection [1.5146068448101746]
  両マンモグラフィビューを同時に処理できるMAMM-Netという新しいモデルを提案する。 本実験は,従来の最先端モデルと比較して,PublicMデータセット上での優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-25T16:30:30Z)
• Towards Robust Natural-Looking Mammography Lesion Synthesis on Ipsilateral Dual-Views Breast Cancer Analysis [1.1098503592431275]
  マンモグラフィ分類タスクの2つの主要な課題は、マルチビューマンモグラフィ情報とクラスアンバランスハンドリングを活用することである。 補助的な視点から低レベル特徴情報を活用することにより,検討された視点(メインビュー)を強化するための,単純だが斬新な手法を提案する。 また, 単純ながら新規なマンモグラム合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T06:33:30Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations [17.133754045164444]
  マンモグラムのスクリーニングから悪性病変を検出する方法は通常、完全な注釈付きデータセットで訓練される。 しかし,実世界のマンモグラムデータセットには,グローバルな分類だけで弱い注釈が付けられている部分集合が存在するのが一般的である。 本稿では,弱弱教師付き・半教師付き学習問題としてトレーニングを定式化するジレンマの中間的解法を提案する。
  論文  参考訳（メタデータ） (2023-01-31T05:14:49Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• 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)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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)

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。