論文の概要: Breast Lump Detection and Localization with a Tactile Glove Using Deep Learning
- arxiv url: http://arxiv.org/abs/2502.15767v1
- Date: Sat, 15 Feb 2025 07:01:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-02 02:51:27.749101
- Title: Breast Lump Detection and Localization with a Tactile Glove Using Deep Learning
- Title（参考訳）: 深層学習を用いた触覚グローブによる乳房液滴検出と位置推定
- Authors: Togzhan Syrymova, Amir Yelenov, Karina Burunchina, Nazgul Abulkhanova, Huseyin Atakan Varol, Juan Antonio Corrales Ramon, Zhanat Kappassov,
- Abstract要約: 乳がんの早期発見の鍵は触診による乳房の検査である。
深層学習(DL)を用いて乳房の塊を局在させるウェアラブル触覚グローブの開発を目指している。
カスタムメイドシリコーン乳房試作機(SBP)の腰痛を検知するためのフレキシブル・ファブリックと柔らかいウェアラブル触覚グローブについて紹介する。
- 参考スコア（独自算出の注目度）: 3.026959800539512
- License:
- Abstract: Breast cancer is the leading cause of mortality among women. Inspection of breasts by palpation is the key to early detection. We aim to create a wearable tactile glove that could localize the lump in breasts using deep learning (DL). In this work, we present our flexible fabric-based and soft wearable tactile glove for detecting the lumps within custom-made silicone breast prototypes (SBPs). SBPs are made of soft silicone that imitates the human skin and the inner part of the breast. Ball-shaped silicone tumors of 1.5-, 1.75- and 2.0-cm diameters are embedded inside to create another set with lumps. Our approach is based on the InceptionTime DL architecture with transfer learning between experienced and non-experienced users. We collected a dataset from 10 naive participants and one oncologist-mammologist palpating SBPs. We demonstrated that the DL model can classify lump presence, size and location with an accuracy of 82.22%, 67.08% and 62.63%, respectively. In addition, we showed that the model adapted to unseen experienced users with an accuracy of 95.01%, 88.54% and 82.98% for lump presence, size and location classification, respectively. This technology can assist inexperienced users or healthcare providers, thus facilitating more frequent routine checks.
- Abstract（参考訳）: 乳癌は女性の死亡率の主要な原因である。
乳房の触診は早期発見の鍵となる。
深層学習(DL)を用いて乳房の塊を局在させるウェアラブル触覚グローブの開発を目指している。
本研究では,カスタムメイドシリコーン乳房プロトタイプ(SBP)の塊を検知するフレキシブルな布地と柔らかいウェアラブル触覚グローブについて述べる。
SBPは、人間の皮膚と乳房の内側を模倣する柔らかいシリコンでできている。
直径1.5cm,1.75cm,2.0cmの球状シリコン腫瘍を内部に埋め込んだもの。
我々のアプローチは、経験豊富なユーザと経験のないユーザ間の移行学習を備えたInceptionTime DLアーキテクチャに基づいている。
当科では10名のナイーブ参加者と1名の腫瘍学者からSBPを触知した1名のデータセットを収集した。
DLモデルは, それぞれ82.22%, 67.08%, 62.63%の精度で, ランプの有無, サイズ, 位置を分類できることを実証した。
さらに, 身近な経験者を対象としたモデルでは, それぞれ95.01%, 88.54%, 82.98%の正解率を示した。
この技術は経験の浅いユーザーや医療提供者を支援することができるため、定期的なチェックをより頻繁に行うことができる。
関連論文リスト
- Computer Aided Detection and Classification of mammograms using Convolutional Neural Network [0.0]
乳癌は、肺癌に次いで、女性の間で最も大きな死因の1つである。
ディープラーニング(Deep Learning)またはニューラルネットワーク(Neural Network)は、正常な乳房の識別と不規則な乳房の識別に使用できる手法の1つである。
CNNMデータセットは、正常な460枚の画像と異常な乳房の920枚の画像で使用されている。
論文 参考訳（メタデータ） (2024-09-04T03:42:27Z) - 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) - Classification of Breast Tumours Based on Histopathology Images Using
Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。
Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。
分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文 参考訳（メタデータ） (2022-09-03T09:27:00Z) - 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) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - 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) - 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) - 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。