Fugu-MT 論文翻訳(概要): Attention-Guided Erasing: A Novel Augmentation Method for Enhancing Downstream Breast Density Classification

論文の概要: Attention-Guided Erasing: A Novel Augmentation Method for Enhancing Downstream Breast Density Classification

arxiv url: http://arxiv.org/abs/2401.03912v1
Date: Mon, 8 Jan 2024 14:16:54 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 16:04:58.870860
Title: Attention-Guided Erasing: A Novel Augmentation Method for Enhancing Downstream Breast Density Classification
Title（参考訳）: 注意誘導型消去:下流乳腺密度分類を向上するための新しい拡張法
Authors: Adarsh Bhandary Panambur, Hui Yu, Sheethal Bhat, Prathmesh Madhu, Siming Bayer, Andreas Maier
Abstract要約: 本研究では,Actent-Guided Erasing(AGE)と呼ばれる新しいデータ拡張手法を紹介する。 AGEは、ベトナムのコホートにおけるBI-RADS勧告に従って、乳房造影における4つの異なる乳房密度カテゴリーの下流分類を強化するために考案された。 VinDr-Mammoデータセットを用いて,提案手法の検証を行った。
参考スコア（独自算出の注目度）: 5.351205777021679
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The assessment of breast density is crucial in the context of breast cancer screening, especially in populations with a higher percentage of dense breast tissues. This study introduces a novel data augmentation technique termed Attention-Guided Erasing (AGE), devised to enhance the downstream classification of four distinct breast density categories in mammography following the BI-RADS recommendation in the Vietnamese cohort. The proposed method integrates supplementary information during transfer learning, utilizing visual attention maps derived from a vision transformer backbone trained using the self-supervised DINO method. These maps are utilized to erase background regions in the mammogram images, unveiling only the potential areas of dense breast tissues to the network. Through the incorporation of AGE during transfer learning with varying random probabilities, we consistently surpass classification performance compared to scenarios without AGE and the traditional random erasing transformation. We validate our methodology using the publicly available VinDr-Mammo dataset. Specifically, we attain a mean F1-score of 0.5910, outperforming values of 0.5594 and 0.5691 corresponding to scenarios without AGE and with random erasing (RE), respectively. This superiority is further substantiated by t-tests, revealing a p-value of p<0.0001, underscoring the statistical significance of our approach.
Abstract（参考訳）: 乳房密度の評価は乳癌検診の文脈において重要であり、特に高濃度乳房組織の割合が高い集団では重要である。本研究は,ベトナムのコホートにおけるBI-RADS勧告に従って,乳房の4つの異なる乳房密度カテゴリーの下流分類を強化するために考案された新しいデータ拡張手法であるAtention-Guided Erasing (AGE)を紹介する。提案手法は,自己教師付きdino法を用いて訓練された視覚トランスフォーマーバックボーンから得られた視覚注意マップを用いて,転送学習中に補足情報を統合する。これらの地図はマンモグラム画像の背景領域を消去するために利用され、乳房組織が密集する潜在領域のみをネットワークに公開する。トランスファー学習におけるAGEの組み入れにより,AGEのないシナリオや従来のランダム消去変換に比べて,分類性能は一貫して上回っている。 VinDr-Mammoデータセットを用いて提案手法を検証する。具体的には、年齢のないシナリオとランダム消去(re)でそれぞれ0.5594と0.5691の平均f1スコア(0.5910)を達成する。この優越性は、t検定によりさらに証明され、p<0.0001のp値が明らかとなり、我々のアプローチの統計的意義を裏付ける。

関連論文リスト

Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
論文参考訳（メタデータ） (2024-04-18T18:25:00Z)
Supervised Contrastive Vision Transformer for Breast Histopathological Image Classification [0.0]
浸潤性乳管癌(Invasive ductal carcinoma,IDC)は乳癌の最も多い形態である。 In this present a novel approach, Supervised Contrastive Vision Transformer (SupCon-ViT) to improve the classification of IDC。
論文参考訳（メタデータ） (2024-04-17T03:51:55Z)
In-context Cross-Density Adaptation on Noisy Mammogram Abnormalities Detection [0.4433315630787158]
本稿では,乳房密度分布が深層学習モデルの一般化性能に及ぼす影響をマンモグラフィー画像で検討する。本稿では,データセット内のソースとターゲット間のドメインギャップを埋める,堅牢な拡張フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-12T06:46:42Z)
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)
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)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文参考訳（メタデータ） (2022-09-20T15:57:12Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
A multi-reconstruction study of breast density estimation using Deep Learning [0.9449650062296825]
乳房密度推定はスクリーニング試験で行う重要な課題の1つである。乳房密度推定のためのディープラーニング研究は、ニューラルネットワークのトレーニングに単一のモダリティのみを使用する。本稿では,全てのモダリティを一度にトレーニングしたニューラルネットワークが,単一モダリティでトレーニングしたニューラルネットワークよりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2022-02-16T18:34:08Z)
Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文参考訳（メタデータ） (2022-01-09T04:35:55Z)
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)

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。