論文の概要: Case-level Breast Cancer Prediction for Real Hospital Settings
- arxiv url: http://arxiv.org/abs/2310.12677v2
- Date: Sat, 19 Oct 2024 15:09:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:12:24.600936
- Title: Case-level Breast Cancer Prediction for Real Hospital Settings
- Title(参考訳): 実検例における症例レベル乳癌の予測
- Authors: Shreyasi Pathak, Jörg Schlötterer, Jeroen Geerdink, Jeroen Veltman, Maurice van Keulen, Nicola Strisciuglio, Christin Seifert,
- Abstract要約: 我々は,手動のアノテーションを必要としない症例レベルの乳癌予測のためのフレームワークを開発し,病院で手軽に利用できる症例ラベルを用いて訓練することができる。
具体的には,症例レベルの乳癌予測のためのパッチレベルと画像レベルでの2レベルマルチインスタンス学習(MIL)アプローチを提案する。
この2レベルMILモデルは,ケースラベルとケース毎の画像数のみを使用可能な,実際の病院環境において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): 4.248393497787407
- License:
- Abstract: Breast cancer prediction models for mammography assume that annotations are available for individual images or regions of interest (ROIs), and that there is a fixed number of images per patient. These assumptions do not hold in real hospital settings, where clinicians provide only a final diagnosis for the entire mammography exam (case). Since data in real hospital settings scales with continuous patient intake, while manual annotation efforts do not, we develop a framework for case-level breast cancer prediction that does not require any manual annotation and can be trained with case labels readily available at the hospital. Specifically, we propose a two-level multi-instance learning (MIL) approach at patch and image level for case-level breast cancer prediction and evaluate it on two public and one private dataset. We propose a novel domain-specific MIL pooling observing that breast cancer may or may not occur in both sides, while images of both breasts are taken as a precaution during mammography. We propose a dynamic training procedure for training our MIL framework on a variable number of images per case. We show that our two-level MIL model can be applied in real hospital settings where only case labels, and a variable number of images per case are available, without any loss in performance compared to models trained on image labels. Only trained with weak (case-level) labels, it has the capability to point out in which breast side, mammography view and view region the abnormality lies.
- Abstract(参考訳): マンモグラフィーの乳がん予測モデルでは、アノテーションは個々の画像や関心領域(ROI)で利用可能であり、患者1人当たりの画像数は一定である。
これらの仮定は、臨床医がマンモグラフィー検査全体(ケース)の最終的な診断のみを行う、実際の病院環境では成立しない。
本研究は,手動による乳がん予測のための枠組みを構築し,手動による診断を必要とせず,病院で手軽に利用できる症例ラベルで訓練することができる。
具体的には,症例レベルの乳癌予測のためのパッチと画像レベルでの2レベルマルチインスタンス学習(MIL)アプローチを提案し,それを2つのパブリックデータセットと1つのプライベートデータセットで評価する。
本研究は,乳がんが両側に発生するか,発生しないかを観察し,乳房画像は乳房造影で予防される新しい領域特異的MILプール法を提案する。
本稿では,MILフレームワークをケース毎に可変数の画像に基づいてトレーニングするための動的トレーニング手法を提案する。
この2段階のMILモデルは,ケースラベルとケース毎の画像数が異なる実際の病院環境において,画像ラベルで訓練したモデルと比較して,性能が損なわれることなく適用可能であることを示す。
弱い(ケースレベルの)ラベルでしか訓練されないが、乳房側、マンモグラフィー、および異常領域がどこにあるかを指摘する能力がある。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - 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) - 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。