論文の概要: Enhancing Transformer-Based Segmentation for Breast Cancer Diagnosis
using Auto-Augmentation and Search Optimisation Techniques
- arxiv url: http://arxiv.org/abs/2311.11065v1
- Date: Sat, 18 Nov 2023 13:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 12:27:25.100335
- Title: Enhancing Transformer-Based Segmentation for Breast Cancer Diagnosis
using Auto-Augmentation and Search Optimisation Techniques
- Title（参考訳）: 自己推定と検索最適化を用いた乳癌診断におけるトランスフォーマティブ・セグメンテーションの強化
- Authors: Leon Hamnett, Mary Adewunmi, Modinat Abayomi, Kayode Raheem, and Fahad
Ahmed
- Abstract要約: 本稿では,自動画像強調選択(RandAugment)と検索戦略(Tree-based Parzen Estimator)を組み合わせた手法を提案する。
乳がん組織学的スライスに対するアプローチを実験的に検証し,がん細胞の分節化に着目した。
以上の結果から,提案手法は組織スライドの変動に対してより回復力のあるセグメンテーションモデルに導かれることが示唆された。
- 参考スコア（独自算出の注目度）: 3.495246564946556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer remains a critical global health challenge, necessitating early
and accurate detection for effective treatment. This paper introduces a
methodology that combines automated image augmentation selection (RandAugment)
with search optimisation strategies (Tree-based Parzen Estimator) to identify
optimal values for the number of image augmentations and the magnitude of their
associated augmentation parameters, leading to enhanced segmentation
performance. We empirically validate our approach on breast cancer histology
slides, focusing on the segmentation of cancer cells. A comparative analysis of
state-of-the-art transformer-based segmentation models is conducted, including
SegFormer, PoolFormer, and MaskFormer models, to establish a comprehensive
baseline, before applying the augmentation methodology. Our results show that
the proposed methodology leads to segmentation models that are more resilient
to variations in histology slides whilst maintaining high levels of
segmentation performance, and show improved segmentation of the tumour class
when compared to previous research. Our best result after applying the
augmentations is a Dice Score of 84.08 and an IoU score of 72.54 when
segmenting the tumour class. The primary contribution of this paper is the
development of a methodology that enhances segmentation performance while
ensuring model robustness to data variances. This has significant implications
for medical practitioners, enabling the development of more effective machine
learning models for clinical applications to identify breast cancer cells from
histology slides. Furthermore, the codebase accompanying this research will be
released upon publication. This will facilitate further research and
application development based on our methodology, thereby amplifying its
impact.
- Abstract（参考訳）: 乳がんは依然として重要な世界的な健康上の課題であり、有効な治療のために早期かつ正確な検出を必要とする。
本稿では,画像の増補数とそれに伴う増補パラメータの大きさの最適値を特定するために,自動画像増補選択 (randaugment) と探索最適化戦略 (tree-based parzen estimator) を組み合わせた手法を提案する。
乳がん組織学的スライスに対するアプローチを実験的に検証し,がん細胞の分節化に着目した。
拡張手法を適用する前に、SegFormer、PoolFormer、MaskFormerモデルを含む最先端トランスフォーマーベースのセグメンテーションモデルの比較分析を行い、包括的なベースラインを確立する。
以上の結果から, 本手法は, 高レベルのセグメンテーション性能を維持しつつ, 組織スライドの変動に強いセグメンテーションモデルをもたらし, 過去の研究と比較すると, 腫瘍のセグメンテーションが改善したことを示す。
増補を施した最善の結果は、84.08のサイススコアと、腫瘍クラスをセグメンテーションするときのiouスコア72.54である。
本研究の主な貢献は,データ分散に対するモデルロバスト性を確保しつつセグメンテーション性能を向上させる手法の開発である。
これは医療従事者にとって重要な意味を持ち、組織学のスライドから乳がん細胞を同定するための臨床応用のためのより効果的な機械学習モデルの開発を可能にする。
さらに、この研究に伴うコードベースが公開される予定だ。
これにより、我々の方法論に基づくさらなる研究とアプリケーション開発が促進され、その影響を増幅します。
関連論文リスト
- Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。
肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。
本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文 参考訳（メタデータ） (2024-10-26T11:58:12Z) - Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。
本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。
NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
論文 参考訳（メタデータ） (2024-09-27T12:59:29Z) - Optimizing Synthetic Data for Enhanced Pancreatic Tumor Segmentation [1.6321136843816972]
本研究は膵腫瘍分節に対する既存の生成AIフレームワークの限界を批判的に評価する。
本研究は,合成テクストサイズとテクスト境界定義精度がモデル性能に与える影響について,一連の実験を行った。
以上の結果より,(1)合成腫瘍サイズの組み合わせを戦略的に選択することが最適セグメンテーションの結果にとって重要であること,(2)正確な境界を持つ合成腫瘍の生成がモデル精度を著しく向上すること,などが示唆された。
論文 参考訳（メタデータ） (2024-07-27T15:38:07Z) - Optimizing Lymphocyte Detection in Breast Cancer Whole Slide Imaging through Data-Centric Strategies [0.2796197251957244]
市販のYOLOv5モデルを用いてリンパ球検出性能の高いデータ中心最適化パイプラインを開発した。
本研究は,本手法が優れたリンパ球検出能を誘導する乳癌の文脈において,本手法の関心を示すものである。
論文 参考訳（メタデータ） (2024-05-22T14:59:50Z) - 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) - Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation [10.466349398419846]
本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。
本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。
我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-14T07:21:46Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 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) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z) - 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。