論文の概要: CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis
- arxiv url: http://arxiv.org/abs/2407.17620v1
- Date: Wed, 24 Jul 2024 20:17:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 15:57:05.155249
- Title: CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis
- Title(参考訳): CoMoTo:生合成における不対向型クロスモーダル病変蒸留による乳房病変の検出の改善
- Authors: Muhammad Alberb, Marawan Elbatel, Aya Elgebaly, Ricardo Montoya-del-Angel, Xiaomeng Li, Robert Martí,
- Abstract要約: 本稿では, 病変検出の実用性を向上させるための新しいフレームワークであるCoMoToを提案する。
病変特異的知識蒸留(LsKD)とイントラモーダルポイントアライメント(ImPA)の2つの新しいコンポーネントを提案する。
総合評価の結果,CoMoToは従来の事前学習や画像レベルのKDよりも優れており,低データ環境下での平均感度が7%向上していることがわかった。
- 参考スコア(独自算出の注目度): 4.371794161279236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital Breast Tomosynthesis (DBT) is an advanced breast imaging modality that offers superior lesion detection accuracy compared to conventional mammography, albeit at the trade-off of longer reading time. Accelerating lesion detection from DBT using deep learning is hindered by limited data availability and huge annotation costs. A possible solution to this issue could be to leverage the information provided by a more widely available modality, such as mammography, to enhance DBT lesion detection. In this paper, we present a novel framework, CoMoTo, for improving lesion detection in DBT. Our framework leverages unpaired mammography data to enhance the training of a DBT model, improving practicality by eliminating the need for mammography during inference. Specifically, we propose two novel components, Lesion-specific Knowledge Distillation (LsKD) and Intra-modal Point Alignment (ImPA). LsKD selectively distills lesion features from a mammography teacher model to a DBT student model, disregarding background features. ImPA further enriches LsKD by ensuring the alignment of lesion features within the teacher before distilling knowledge to the student. Our comprehensive evaluation shows that CoMoTo is superior to traditional pretraining and image-level KD, improving performance by 7% Mean Sensitivity under low-data setting. Our code is available at https://github.com/Muhammad-Al-Barbary/CoMoTo .
- Abstract(参考訳): 乳房造影法(DBT)は,より長い読影時間のトレードオフはあるものの,従来のマンモグラフィと比較すると,病変検出精度が良好である進行乳房画像法である。
ディープラーニングを用いたDBTからの病変検出の高速化は、データ可用性の制限と膨大なアノテーションコストによって妨げられる。
この問題の可能性のある解決策は、マンモグラフィーのようなより広く利用可能なモダリティによって提供された情報を活用して、DBT病変の検出を強化することである。
本稿では,DBTの病変検出を改善するための新しいフレームワークであるCoMoToを提案する。
本フレームワークは,DBTモデルのトレーニングを強化するために,不整合マンモグラフィデータを活用し,推論時のマンモグラフィの必要性を排除し,実用性を向上させる。
具体的には,LsKD (Lesion-specific Knowledge Distillation) とImPA (Intra-modal Point Alignment) の2つの新しい構成要素を提案する。
LsKDは,マンモグラフィーの教師モデルからDBTの学生モデルまで,背景の特徴を無視して病変の特徴を選択的に蒸留する。
さらにImPAは、生徒に知識を蒸留する前に、教師内の病変の特徴のアライメントを確保することでLsKDをさらに強化する。
総合評価の結果,CoMoToは従来の事前学習や画像レベルのKDよりも優れており,低データ環境下での平均感度が7%向上していることがわかった。
私たちのコードはhttps://github.com/Muhammad-Al-Barbary/CoMoToで利用可能です。
関連論文リスト
- Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。
提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。
CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
論文 参考訳(メタデータ) (2024-11-16T21:32:51Z) - SelectiveKD: A semi-supervised framework for cancer detection in DBT through Knowledge Distillation and Pseudo-labeling [8.264996508661895]
がん検出モデルを構築するための半教師付き学習フレームワークであるSelectiveKDを提案する。
本フレームワークは,選択的な拡張戦略を実装することで,教師の監督信号の潜在的なノイズを軽減する。
複数のデバイスメーカーやロケーションから収集した1万以上の試験を,大規模な実世界のデータセットで評価した。
論文 参考訳(メタデータ) (2024-09-25T03:19:29Z) - Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳(メタデータ) (2024-09-11T11:12:26Z) - Multi Teacher Privileged Knowledge Distillation for Multimodal Expression Recognition [58.41784639847413]
人間の感情は、表情、声調、ボディランゲージ、生理的信号を通じて伝達され知覚される複雑な現象である。
本稿では, 学生に蒸留する前に, 教師の多様な表現を並べ合わせるために, 自己蒸留による多教師PKD(MT-PKDOT)法を提案する。
その結果,提案手法はSOTA PKD法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-08-16T22:11:01Z) - A training regime to learn unified representations from complementary breast imaging modalities [0.20971479389679332]
FDM(Full Field Digital Mammograms)とDBT(Digital Breast Tomo synthesis)は、乳がん検診において最も広く用いられている画像モダリティである。
FFDMとDBTの両方から補完的な診断信号を利用する高レベル表現を学習する機械学習手法を提案する。
論文 参考訳(メタデータ) (2024-08-16T06:52:06Z) - SIFT-DBT: Self-supervised Initialization and Fine-Tuning for Imbalanced Digital Breast Tomosynthesis Image Classification [3.665816629105171]
乳がん検診・診断において,Digital Breast Tomo synthesis (DBT) が広く用いられている。
画像の異常を識別するために,ビューレベルのコントラスト型自己監督初期化とファインチューニングを用いた新しい手法を提案する。
提案手法は92.69%の量的AUCを970のユニークな研究で評価する。
論文 参考訳(メタデータ) (2024-03-19T20:52:31Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳(メタデータ) (2021-07-07T13:56:38Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Adaptation of a deep learning malignancy model from full-field digital
mammography to digital breast tomosynthesis [3.8954120406920336]
デジタル乳房トモシンセシス (DBT) は, 感度と特異性を高めることにより, 従来のマンモグラフィーを改善する。
深層学習(DL)モデルは主に2次元フルフィールドデジタルマンモグラフィ(FFDM)やスキャンされたフィルム画像に基づいて開発されている。
論文 参考訳(メタデータ) (2020-01-23T05:44:11Z)
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。