論文の概要: Attention-Map Augmentation for Hypercomplex Breast Cancer Classification

• arxiv url: http://arxiv.org/abs/2310.07633v2
• Date: Tue, 23 Apr 2024 13:33:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 19:55:12.577019
• Title: Attention-Map Augmentation for Hypercomplex Breast Cancer Classification
• Title（参考訳）: 高コンプレックス乳癌分類における注意マップの拡張
• Authors: Eleonora Lopez, Filippo Betello, Federico Carmignani, Eleonora Grassucci, Danilo Comminiello,
• Abstract要約: 本稿では,乳がん分類の問題点を克服する枠組みとして,パラメータ化ハイパーコンプレックス・アテンション・マップ(PHAM)を提案する。 フレームワークには2つの大きな利点がある。まず注意マップがROIに関する重要な情報を提供し、ニューラルネットワークがそれに集中できるようにする。 私たちは、注目に基づく最先端のネットワークと、我々のアプローチの真の価値を超越しています。
• 参考スコア（独自算出の注目度）: 6.098816895102301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is the most widespread neoplasm among women and early detection of this disease is critical. Deep learning techniques have become of great interest to improve diagnostic performance. However, distinguishing between malignant and benign masses in whole mammograms poses a challenge, as they appear nearly identical to an untrained eye, and the region of interest (ROI) constitutes only a small fraction of the entire image. In this paper, we propose a framework, parameterized hypercomplex attention maps (PHAM), to overcome these problems. Specifically, we deploy an augmentation step based on computing attention maps. Then, the attention maps are used to condition the classification step by constructing a multi-dimensional input comprised of the original breast cancer image and the corresponding attention map. In this step, a parameterized hypercomplex neural network (PHNN) is employed to perform breast cancer classification. The framework offers two main advantages. First, attention maps provide critical information regarding the ROI and allow the neural model to concentrate on it. Second, the hypercomplex architecture has the ability to model local relations between input dimensions thanks to hypercomplex algebra rules, thus properly exploiting the information provided by the attention map. We demonstrate the efficacy of the proposed framework on both mammography images as well as histopathological ones. We surpass attention-based state-of-the-art networks and the real-valued counterpart of our approach. The code of our work is available at https://github.com/ispamm/AttentionBCS.
• Abstract（参考訳）: 乳癌は女性の中で最も広範な腫瘍であり、早期発見が重要である。 深層学習技術は診断性能を向上させるために大きな関心を集めている。 しかし、マンモグラム全体における悪性と良性マッサージの区別は、未訓練眼とほぼ同一に見えるため困難であり、興味領域(ROI)は全体像のごく一部を構成するのみである。 本稿では,これらの問題を解決するために,パラメータ化ハイパーコンプレックス・アテンション・マップ(PHAM)を提案する。 具体的には、コンピュータの注意マップに基づく拡張ステップをデプロイする。 そして、注意マップを用いて、原乳がん画像と対応する注意マップとからなる多次元入力を構築することにより、分類ステップを条件付ける。 このステップでは、パラメータ化ハイパーコンプレックスニューラルネットワーク(PHNN)を用いて乳癌の分類を行う。 このフレームワークには2つの大きな利点がある。 まず、注意マップはROIに関する重要な情報を提供し、ニューラルネットワークがそれに集中できるようにする。 第二に、超複素アーキテクチャは、超複素代数規則により入力次元間の局所関係をモデル化し、注意マップによって提供される情報を適切に活用する能力を持つ。 マンモグラフィ画像と病理組織像の両方に対して提案した枠組みの有効性を実証した。 私たちは、注目に基づく最先端のネットワークと、我々のアプローチの真の価値を超越しています。 私たちの作業のコードはhttps://github.com/ispamm/AttentionBCS.comで公開されています。

関連論文リスト

• Leveraging Latents for Efficient Thermography Classification and Segmentation [2.7719338074999547]
  乳癌の分類とセグメンテーションのための新しいアルゴリズムを提案する。 このアルゴリズムは,手動の機能とアーキテクチャ工学に重点を置くのではなく,情報的,学習的な機能空間の活用に重点を置いている。 分類はSOTAの結果を生成するが,本論文で研究したセグメンテーション領域の創出は今回が初めてである。
  論文  参考訳（メタデータ） (2024-04-09T19:33:05Z)
• Dual-view Correlation Hybrid Attention Network for Robust Holistic Mammogram Classification [13.588373358392142]
  マルチビュー相関型ハイブリット・アテンション・ネットワーク(DCHA-Net)を提案する。 局所的関係と非局所的注目ブロックからなるハイブリッドアテンションモジュールを提案し,その相関関係におけるペアビューの空間的不整合を緩和する。 InbreastとCBIS-DDSMの2つの公開データセットの実験結果から、DCHA-Netはビュー間の特徴相関を適切に保存し、最大化することを示した。
  論文  参考訳（メタデータ） (2023-06-19T02:34:42Z)
• Breast Cancer Segmentation using Attention-based Convolutional Network and Explainable AI [0.0]
  乳がん(BC)は依然として重大な健康上の脅威であり、現在長期治療は行われていない。 早期発見は重要であるが、マンモグラフィーの解釈は高い偽陽性と陰性によって妨げられる。 この研究は、セグメンテーションのための注意に基づく畳み込みニューラルネットワークを示し、BCの検出と分類のスピードと精度を高める。
  論文  参考訳（メタデータ） (2023-05-22T20:49:20Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• CAMANet: Class Activation Map Guided Attention Network for Radiology Report Generation [24.072847985361925]
  放射線医学報告生成(RRG)は、医療資源不足を緩和する大きな可能性を秘めているため、研究の注目を集めている。 RRGの最近の進歩は、単一モーダルな特徴表現を符号化する際のモデルの能力の向上によって引き起こされる。 画像領域と単語間のクロスモーダルアライメントを明示的に検討する研究はほとんどない。 クロスモーダルアライメントを明示的に促進するクラス活性化マップガイドアテンションネットワーク(CAMANet)を提案する。
  論文  参考訳（メタデータ） (2022-11-02T18:14:33Z)
• 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)
• 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)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography [18.979126709943085]
  本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。 本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。 実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-08-07T02:23:36Z)
• 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。