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

• Panoptic Segmentation of Mammograms with Text-To-Image Diffusion Model [1.2130800774416757]
  視覚言語拡散モデルは、様々な下流タスクに対する画像生成と転送性において顕著な性能を示した。 本稿では,安定拡散モデルから最新のパン光学セグメントアーキテクチャへの入力として,事前学習した特徴を活用することを提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:04:05Z)
• Breast Ultrasound Report Generation using LangChain [58.07183284468881]
  本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。 本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
  論文  参考訳（メタデータ） (2023-12-05T00:28:26Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 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)
• VinDr-Mammo: A large-scale benchmark dataset for computer-aided diagnosis in full-field digital mammography [0.5452925161262461]
  VinDr-Mammoはフルフィールドデジタルマンモグラフィー(FFDM)の新しいベンチマークデータセットである データセットは5000のマンモグラフィー試験で構成され、それぞれが4つの標準ビューを持ち、意見の相違を伴って読み上げられている。 乳房画像報告・データシステム(BI-RADS)と乳房レベルの密度を評価するために作成される。
  論文  参考訳（メタデータ） (2022-03-20T18:17:42Z)
• 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)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• 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)
• Two-stage multi-scale breast mass segmentation for full mammogram analysis without user intervention [2.7490008316742096]
  マンモグラフィーは乳がんの早期発見と診断に使用される主要な画像モダリティである。 各種の乳腺異常のうち,乳腺癌では腫瘤が最も重要な臨床所見である。 高分解能フルマンモグラムから正確な質量輪郭を提供する2段階のマルチスケールパイプラインを提案する。
  論文  参考訳（メタデータ） (2020-02-27T13:16:22Z)

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。