論文の概要: An updated overview of radiomics-based artificial intelligence (AI) methods in breast cancer screening and diagnosis
- arxiv url: http://arxiv.org/abs/2406.14735v1
- Date: Thu, 20 Jun 2024 21:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 17:31:15.447510
- Title: An updated overview of radiomics-based artificial intelligence (AI) methods in breast cancer screening and diagnosis
- Title（参考訳）: 乳癌検診・診断における放射能ベース人工知能(AI)法の最新動向
- Authors: Reza Elahi, Mahdis Nazari,
- Abstract要約: 乳癌 (BC) の診断法は, 感度, 特異性, 正の予測力に限られている。
人工知能(AI)を用いた画像解析の最近の進歩は、BCの診断とサブタイプ分化を改善することを大いに約束している。
放射線医学は、紀元前初期の診断と分類の感度と特異性を改善するために開発された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current imaging methods for diagnosing BC are associated with limited sensitivity and specificity and modest positive predictive power. The recent progress in image analysis using artificial intelligence (AI) has created great promise to improve breast cancer (BC) diagnosis and subtype differentiation. In this case, novel quantitative computational methods, such as radiomics, have been developed to improve the sensitivity and specificity of early BC diagnosis and classification. The potential of radiomics in improving the diagnostic efficacy of imaging studies has been shown in several studies. In this review article, we discuss the radiomics workflow and current hand-crafted radiomics methods in the diagnosis and classification of BC based on most recent studies on different imaging modalities, e.g. MRI, mammography, contrast-enhanced spectral mammography (CESM), ultrasound imaging, and digital breast tumosynthesis (DBT). We also discuss current challenges and potential strategies to improve the specificity and sensitivity of radiomics in breast cancer to help achieve a higher level of BC classification and diagnosis in the clinical setting. The growing field of AI incorporation with imaging information has opened a great opportunity to provide a higher level of care for BC patients.
- Abstract（参考訳）: BCを診断するための現在のイメージング法は、感度、特異性、そして控えめな正の予測力に関係している。
人工知能(AI)を用いた画像解析の最近の進歩は、乳癌(BC)の診断とサブタイプ分化を改善することを大いに約束している。
この場合、放射線学のような新しい定量的な計算手法が開発され、初期のBCの診断と分類の感度と特異性が改善されている。
画像研究の診断効果を改善するための放射線医学の可能性は、いくつかの研究で示されている。
本稿では,MRI,マンモグラフィ,コントラスト強調分光マンモグラフィー(CESM),超音波画像,デジタル乳房合成(DBT)など,様々な画像モダリティに関する最新の研究に基づいて,BCの診断・分類における放射線学のワークフローと現在の手作り放射線学手法について論じる。
また,BC分類と臨床診断の高度化を支援するため,乳癌における放射線の特異性と感受性の向上に向けた現在の課題と今後の戦略についても検討する。
画像情報によるAIの法人化が進み、BC患者に高いレベルのケアを提供する大きな機会が開かれた。
関連論文リスト
- Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability [2.8145472964232137]
マルチモーダル技術を用いて、画像データと非画像データを統合することで、乳癌の診断における変革的な進歩を示す。
本稿では,マルチモーダルデータを用いて診断精度,臨床信頼度,患者のエンゲージメントを高めるための説明性を強調する。
論文 参考訳（メタデータ） (2024-06-07T19:23:22Z) - Radiomics-guided Multimodal Self-attention Network for Predicting Pathological Complete Response in Breast MRI [3.6852491526879687]
本研究では,ダイナミックコントラスト強調画像(DCE)とADCマップを用いた乳癌患者のpCR予測モデルを提案する。
本手法は, 腫瘍関連領域からの特徴抽出を誘導するために放射線を利用した自己注意機構を備えたエンコーダを用いて, DCE MRI と ADC から特徴抽出を行う。
論文 参考訳（メタデータ） (2024-06-05T04:49:55Z) - Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [38.321248253111776]
乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。
複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
論文 参考訳（メタデータ） (2024-06-01T18:50:03Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - 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) - Advances of Artificial Intelligence in Classical and Novel
Spectroscopy-Based Approaches for Cancer Diagnostics. A Review [0.0]
本稿では,MRIやCTなどの確立した技術における人工知能応用の進歩について概説する。
これは、モバイル、超高速、低侵襲診断のために開発中の光学分光に基づくアプローチと組み合わせることで、高い可能性を示している。
シンスライシングやヘマトキシリン・アンド・エオシン染色を陳腐化させることにより, 組織分析のための組織製剤の時間短縮効果を示す。
論文 参考訳（メタデータ） (2022-08-08T09:39:36Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - 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。