論文の概要: BI-RADS prediction of mammographic masses using uncertainty information extracted from a Bayesian Deep Learning model

• arxiv url: http://arxiv.org/abs/2503.13999v2
• Date: Mon, 24 Mar 2025 12:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:21:41.317015
• Title: BI-RADS prediction of mammographic masses using uncertainty information extracted from a Bayesian Deep Learning model
• Title（参考訳）: ベイズ深層学習モデルから抽出した不確実性情報を用いたマンモグラフィのBI-RADS予測
• Authors: Mohaddeseh Chegini, Ali Mahloojifar,
• Abstract要約: ベイズ深層学習モデルにより抽出された不確実性情報を用いてBI_RADSスコアを予測する。 このモデルは良性検体を75.86%の精度で識別し、すべての悪性検体をBI_RADS 5と正しく識別することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The BI_RADS score is a probabilistic reporting tool used by radiologists to express the level of uncertainty in predicting breast cancer based on some morphological features in mammography images. There is a significant variability in describing masses which sometimes leads to BI_RADS misclassification. Using a BI_RADS prediction system is required to support the final radiologist decisions. In this study, the uncertainty information extracted by a Bayesian deep learning model is utilized to predict the BI_RADS score. The investigation results based on the pathology information demonstrate that the f1-scores of the predictions of the radiologist are 42.86%, 48.33% and 48.28%, meanwhile, the f1-scores of the model performance are 73.33%, 59.60% and 59.26% in the BI_RADS 2, 3 and 5 dataset samples, respectively. Also, the model can distinguish malignant from benign samples in the BI_RADS 0 category of the used dataset with an accuracy of 75.86% and correctly identify all malignant samples as BI_RADS 5. The Grad-CAM visualization shows the model pays attention to the morphological features of the lesions. Therefore, this study shows the uncertainty-aware Bayesian Deep Learning model can report his uncertainty about the malignancy of a lesion based on morphological features, like a radiologist.
• Abstract（参考訳）: BI_RADSスコア(BI_RADS score)は、マンモグラフィー画像のいくつかの形態的特徴に基づいて、乳癌の予測における不確実性のレベルを表現するために、放射線学者が使用する確率的報告ツールである。 質量の記述には大きなバリエーションがあり、BI_RADSの誤分類につながることがある。 BI_RADS予測システムを用いることで、最終的な放射線医学的決定を支援する必要がある。 本研究では,ベイズ深層学習モデルにより抽出された不確実性情報を用いてBI_RADSスコアを予測する。 病理情報に基づく調査の結果、放射線技師の予測のf1スコアは42.86%、48.33%、48.28%であり、モデルの性能のf1スコアは、BI_RADS 2, 3, 5データセットの73.33%、59.60%、59.26%であることが示された。 また、このモデルは、使用データセットのBI_RADS 0カテゴリの良性サンプルを75.86%の精度で識別し、すべての悪性サンプルをBI_RADS 5と正しく識別することができる。 Grad-CAMの可視化は、モデルが病変の形態的特徴に注意を払っていることを示している。 そこで本研究では,不確実性を考慮したベイズ深層学習モデルを用いて,放射線学のような形態学的特徴に基づく病変の悪性度に関する不確実性を報告する。

関連論文リスト

• Going beyond explainability in multi-modal stroke outcome prediction models [0.0]
  我々は、xAI法であるGrad-CAMとOcclusionをマルチモーダル、部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。 DTMは,曲線(AUC)の値が0.8に近い領域で,最先端の予測性能を実現する。 前頭葉などの重要な脳領域が強調された機能的結果のための脳画像dTMから算出した説明地図。
  論文  参考訳（メタデータ） (2025-04-07T09:56:16Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Learning a Clinically-Relevant Concept Bottleneck for Lesion Detection in Breast Ultrasound [0.0]
  本稿では,米国放射線学大学乳房画像・報告データシステム(BI-RADS)の標準語彙を用いた解釈可能な予測を提供する説明可能なAIモデルを提案する。 このモデルは、BI-RADSの既知の特徴が最終的ながん分類の前に予測される概念ボトルネック層を特徴とするディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2024-06-29T00:44:33Z)
• 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)
• Multivariate Analysis on Performance Gaps of Artificial Intelligence Models in Screening Mammography [4.123006816939975]
  異常分類のための深層学習モデルは,マンモグラフィーのスクリーニングにおいて良好に機能する。 モデル不全のリスクの増加に伴う人口統計学的、画像的、臨床的特徴はいまだに不明である。 年齢,人種,病理所見,組織密度,画像特徴によって定義されるサブグループによるモデル性能の評価を行った。
  論文  参考訳（メタデータ） (2023-05-08T02:28:45Z)
• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning [0.0]
  乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。 以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
  論文  参考訳（メタデータ） (2022-07-13T23:53:09Z)
• Supervised Machine Learning Algorithm for Detecting Consistency between Reported Findings and the Conclusions of Mammography Reports [66.89977257992568]
  マンモグラフィーは患者の病態の診断を文書化する。 多くの報告は非標準用語(非BI-RADS記述子)と不完全文を含んでいる。 本研究の目的は,報告された結論と,報告された放射線学の知見に基づいて期待される結果とを比較して,そのような不一致を検出するツールを開発することである。
  論文  参考訳（メタデータ） (2022-02-28T08:59:04Z)
• Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
  そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。 提案モデルでは,AUCスコアが0.896であった。
  論文  参考訳（メタデータ） (2022-02-08T00:43:57Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。