論文の概要: Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images

• arxiv url: http://arxiv.org/abs/2411.00891v2
• Date: Thu, 07 Nov 2024 21:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:52:49.338841
• Title: Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images
• Title（参考訳）: 深層学習による乳房超音波画像の乳房密度予測
• Authors: Arianna Bunnell, Dustin Valdez, Thomas K. Wolfgruber, Brandon Quon, Kailee Hung, Brenda Y. Hernandez, Todd B. Seto, Jeffrey Killeen, Marshall Miyoshi, Peter Sadowski, John A. Shepherd,
• Abstract要約: マンモグラフィーの乳腺密度は 乳がんの最大の危険因子の1つです 乳房超音波(BUS)は、乳がんスクリーニング法の一種である。 本研究の目的は,BUS画像からBI-RADS乳房密度を予測する人工知能(AI)モデルを検討することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background: Breast density, as derived from mammographic images and defined by the American College of Radiology's Breast Imaging Reporting and Data System (BI-RADS), is one of the strongest risk factors for breast cancer. Breast ultrasound (BUS) is an alternative breast cancer screening modality, particularly useful for early detection in low-resource, rural contexts. The purpose of this study was to explore an artificial intelligence (AI) model to predict BI-RADS mammographic breast density category from clinical, handheld BUS imaging. Methods: All data are sourced from the Hawaii and Pacific Islands Mammography Registry. We compared deep learning methods from BUS imaging, as well as machine learning models from image statistics alone. The use of AI-derived BUS density as a risk factor for breast cancer was then compared to clinical BI-RADS breast density while adjusting for age. The BUS data were split by individual into 70/20/10% groups for training, validation, and testing. Results: 405,120 clinical BUS images from 14.066 women were selected for inclusion in this study, resulting in 9.846 women for training (302,574 images), 2,813 for validation (11,223 images), and 1,406 for testing (4,042 images). On the held-out testing set, the strongest AI model achieves AUROC 0.854 predicting BI-RADS mammographic breast density from BUS imaging and outperforms all shallow machine learning methods based on image statistics. In cancer risk prediction, age-adjusted AI BUS breast density predicted 5-year breast cancer risk with 0.633 AUROC, as compared to 0.637 AUROC from age-adjusted clinical breast density. Conclusions: BI-RADS mammographic breast density can be estimated from BUS imaging with high accuracy using a deep learning model. Furthermore, we demonstrate that AI-derived BUS breast density is predictive of 5-year breast cancer risk in our population.
• Abstract（参考訳）: 背景: 乳腺密度はマンモグラフィー画像から派生し、アメリカ放射線学大学の乳房画像報告・データシステム(BI-RADS)によって定義されたもので、乳がんにとって最も強力な危険因子の1つである。 乳房超音波(BUS)は乳がんスクリーニング法の一種であり、特に低資源の田園部における早期発見に有用である。 本研究の目的は,臨床用ハンドヘルドBUS画像からBI-RADS乳房密度カテゴリを予測する人工知能(AI)モデルを探索することであった。 方法: 全てのデータはハワイ島と太平洋諸島のマンモグラフィー登録簿から収集されている。 我々は、BUSイメージングのディープラーニング手法と、画像統計のみの機械学習モデルを比較した。 乳がんのリスクファクターとしてAI由来のBUS濃度を用いた場合,年齢を調整しながらBI-RADS乳房密度と比較した。 BUSデータは、トレーニング、検証、テストのために、個別に70/20/10%のグループに分割された。 結果: 対象は14.066名の臨床BUS画像405,120名, トレーニング用9.846名(302,574名), 検証用2,813名(11,223名), 検査用1,406名(4,042名)であった。 ホールドアウトテストセットでは、最強のAIモデルは、BUS画像からBI-RADS乳房密度を予測するAUROC 0.854を達成し、画像統計に基づいて、すべての浅い機械学習手法を上回ります。 がんリスク予測では、年齢調整されたAI BUSの乳房密度は、年齢調整された臨床乳房密度の0.637 AUROCと比較して、5年間の乳がんリスクを0.633 AUROCと予測した。 結論: 深層学習モデルを用いてBUS画像からBI-RADS乳房密度を推定できる。 さらに、AI由来のBUS乳房密度が、我々の人口の5年間の乳がんリスクを予測することを実証した。

関連論文リスト

• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• 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)
• 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)
• 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)
• Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images [3.3615086420912745]
  良性および悪性乳癌を分類するためのアンサンブル移動学習モデルを提案する。 このモデルは、AlexNetとResNetモデルのセマンティック機能を組み合わせ、悪性腫瘍から良性を分類します。 実験結果から, このアンサンブルモデルでは感度88.89%, 特異性91.10%が得られた。
  論文  参考訳（メタデータ） (2021-02-17T04:23:30Z)
• Detection of masses and architectural distortions in digital breast tomosynthesis: a publicly available dataset of 5,060 patients and a deep learning model [4.3359550072619255]
  乳房トモシンセシス画像の大規模データセットをキュレートし,公開している。 5,060人の患者から5,610人を対象にした22,032冊の復元版がある。 我々は単相深層学習検出モデルを開発し、将来の研究のベースラインとしてデータセットを用いてテストした。
  論文  参考訳（メタデータ） (2020-11-13T18:33:31Z)
• Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment [2.0369879867185143]
  現在の連邦法では、乳房検診中の女性全員の乳房密度の報告を義務付けている。 本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。
  論文  参考訳（メタデータ） (2020-11-13T15:21:17Z)

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。