論文の概要: Weakly Supervised Learning for Breast Cancer Prediction on Mammograms in
Realistic Settings
- arxiv url: http://arxiv.org/abs/2310.12677v1
- Date: Thu, 19 Oct 2023 12:14:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 15:36:59.444507
- Title: Weakly Supervised Learning for Breast Cancer Prediction on Mammograms in
Realistic Settings
- Title(参考訳): 乳房X線写真における乳腺癌予知の弱視的学習
- Authors: Shreyasi Pathak, J\"org Schl\"otterer, Jeroen Geerdink, Onno Dirk
Vijlbrief, Maurice van Keulen, Christin Seifert
- Abstract要約: 症例レベル乳癌予測のための2段階マルチインスタンスラーニング(MIL)アプローチについて検討した。
2段階のMILは,症例ラベルと患者1人当たりの画像数のみを使用可能な現実的な臨床環境に適用可能であることを示す。
- 参考スコア(独自算出の注目度): 2.264420453147519
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic methods for early detection of breast cancer on mammography can
significantly decrease mortality. Broad uptake of those methods in hospitals is
currently hindered because the methods have too many constraints. They assume
annotations available for single images or even regions-of-interest (ROIs), and
a fixed number of images per patient. Both assumptions do not hold in a general
hospital setting. Relaxing those assumptions results in a weakly supervised
learning setting, where labels are available per case, but not for individual
images or ROIs. Not all images taken for a patient contain malignant regions
and the malignant ROIs cover only a tiny part of an image, whereas most image
regions represent benign tissue. In this work, we investigate a two-level
multi-instance learning (MIL) approach for case-level breast cancer prediction
on two public datasets (1.6k and 5k cases) and an in-house dataset of 21k
cases. Observing that breast cancer is usually only present in one side, while
images of both breasts are taken as a precaution, we propose a domain-specific
MIL pooling variant. We show that two-level MIL can be applied in realistic
clinical settings where only case labels, and a variable number of images per
patient are available. Data in realistic settings scales with continuous
patient intake, while manual annotation efforts do not. Hence, research should
focus in particular on unsupervised ROI extraction, in order to improve breast
cancer prediction for all patients.
- Abstract(参考訳): マンモグラフィーにおける乳がんの早期発見法は死亡率を著しく低下させる可能性がある。
病院におけるこれらの方法の広範な普及は、方法の制約が多すぎるため、現在妨げられている。
彼らは、単一の画像または関心領域(roi)で利用可能なアノテーションと、患者1人あたりの一定数のイメージを想定している。
どちらの仮定も一般的な病院では成立しない。
これらの仮定を緩和すると、個々のイメージやROIではなく、各ケースでラベルが利用できるような、教師付きの弱い学習環境が生まれる。
患者のために撮影されたすべての画像は悪性領域を含んでおらず、悪性のROIは画像のごく一部しかカバーしていない。
本研究では,2つのパブリックデータセット(1.6kと5k)と21kの社内データセットのケースレベル乳癌予測のための2レベルマルチインスタンス学習(MIL)アプローチを検討する。
乳がんは通常片側にしか存在せず、両方の乳がんの画像は予防策として取られているのを観察し、ドメイン特異的milプール変種を提案する。
2段階のMILは,症例ラベルと患者1人当たりの画像数のみを使用可能な現実的な臨床環境に適用可能であることを示す。
現実的な設定のデータは、継続的な患者摂取でスケールするが、手作業によるアノテーションの取り組みは行わない。
したがって、すべての患者の乳癌予測を改善するために、特に教師なしroi抽出に焦点をあてるべきである。
関連論文リスト
- Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
論文 参考訳(メタデータ) (2023-09-15T20:16:17Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。
MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。
具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T18:33:32Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer
Diagnosis in Ultrasound Images [20.00255523765042]
本稿では,乳がん診断のための新しいROIフリーモデルを提案する。
悪性腫瘍と良性腫瘍は異なる組織層間の空間的関係が異なるという解剖学的先行知識を活用する。
提案したHoVer-Transブロックは,水平および垂直に層間および層間空間情報を抽出する。
論文 参考訳(メタデータ) (2022-05-17T14:11:07Z) - 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) - A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms [13.842620686759616]
乳がんの大規模検診ではマンモグラムが一般的に用いられる。
画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。
グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。
画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
論文 参考訳(メタデータ) (2020-04-24T13:06:47Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳(メタデータ) (2020-03-23T01:26:36Z) - 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) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z) - 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。