論文の概要: A training regime to learn unified representations from complementary breast imaging modalities
- arxiv url: http://arxiv.org/abs/2408.08560v1
- Date: Fri, 16 Aug 2024 06:52:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 16:28:41.215043
- Title: A training regime to learn unified representations from complementary breast imaging modalities
- Title(参考訳): 相補的乳房画像モダリティから統一表現を学習する訓練体制
- Authors: Umang Sharma, Jungkyu Park, Laura Heacock, Sumit Chopra, Krzysztof Geras,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.20971479389679332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full Field Digital Mammograms (FFDMs) and Digital Breast Tomosynthesis (DBT) are the two most widely used imaging modalities for breast cancer screening. Although DBT has increased cancer detection compared to FFDM, its widespread adoption in clinical practice has been slowed by increased interpretation times and a perceived decrease in the conspicuity of specific lesion types. Specifically, the non-inferiority of DBT for microcalcifications remains under debate. Due to concerns about the decrease in visual acuity, combined DBT-FFDM acquisitions remain popular, leading to overall increased exam times and radiation dosage. Enabling DBT to provide diagnostic information present in both FFDM and DBT would reduce reliance on FFDM, resulting in a reduction in both quantities. We propose a machine learning methodology that learns high-level representations leveraging the complementary diagnostic signal from both DBT and FFDM. Experiments on a large-scale data set validate our claims and show that our representations enable more accurate breast lesion detection than any DBT- or FFDM-based model.
- Abstract(参考訳): 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。
DBT は FFDM と比較して癌の検出が増加したが, 解釈時間の増加, 特定の病変の出現率の低下などにより, 臨床実践への普及が鈍化している。
特に、微小石灰化のためのDBTの不等式については議論が続いている。
視力低下の懸念から、DBT-FFDMの合併は依然として人気があり、試験時間と放射線量の増加につながった。
FFDMとDBTの両方に存在する診断情報を提供するためのDBTの導入は、FFDMへの依存を減らし、両方の量を減らすことになる。
本稿では,DBTとFFDM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。
大規模データセットを用いた実験により,DBTモデルやFFDMモデルよりも正確な乳房病変検出が可能であることが確認された。
関連論文リスト
- 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) - CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis [4.371794161279236]
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。
論文 参考訳(メタデータ) (2024-07-24T20:17:05Z) - Diffusion Boosted Trees [56.46631445688882]
拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。
DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
論文 参考訳(メタデータ) (2024-06-03T22:11:38Z) - 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) - 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) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z) - Deep Doubly Supervised Transfer Network for Diagnosis of Breast Cancer
with Imbalanced Ultrasound Imaging Modalities [1.017815799712437]
エラストグラフィー超音波(EUS)は、乳がんの診断にBモード超音波(BUS)の生体力学的インフォームを提供する。
農村部病院におけるEUS装置の欠如は、乳がんに対するコンピュータ支援診断(CAD)において、新しいモダリティの不均衡問題を引き起こす。
本稿では,Learning Using Privileged Information (LUPI) パラダイムと最大平均離散性 (MMD) 基準を統合深層TLフレームワークに組み込んだ新しい2重教師付きTLネットワーク(DDSTN)を提案する。
論文 参考訳(メタデータ) (2020-06-29T07:32:07Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-03-18T19:06:27Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z) - 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。