論文の概要: Sustainable Deep Learning-Based Breast Lesion Segmentation: Impact of Breast Region Segmentation on Performance

• arxiv url: http://arxiv.org/abs/2503.15708v1
• Date: Wed, 19 Mar 2025 21:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:33:33.129115
• Title: Sustainable Deep Learning-Based Breast Lesion Segmentation: Impact of Breast Region Segmentation on Performance
• Title（参考訳）: 持続的深層学習に基づく乳腺病変の分節化:乳腺領域の分節化がパフォーマンスに及ぼす影響
• Authors: Sam Narimani, Solveig Roth Hoff, Kathinka Dahli Kurz, Kjell-Inge Gjesdal, Jurgen Geisler, Endre Grovik,
• Abstract要約: 本研究の目的は,乳腺DCE-MRIにおける深層学習に基づく乳房病変の分節(BLS)に対する乳房領域分節(BRS)の影響を明らかにすることである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Purpose: Segmentation of the breast lesion in dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) is an essential step to accurately diagnose and plan treatment and monitor progress. This study aims to highlight the impact of breast region segmentation (BRS) on deep learning-based breast lesion segmentation (BLS) in breast DCE-MRI. Methods Using the Stavanger Dataset containing primarily 59 DCE-MRI scans and UNet++ as deep learning models, four different process were conducted to compare effect of BRS on BLS. These four approaches included the whole volume without BRS and with BRS, BRS with the selected lesion slices and lastly optimal volume with BRS. Preprocessing methods like augmentation and oversampling were used to enhance the small dataset, data shape uniformity and improve model performance. Optimal volume size were investigated by a precise process to ensure that all lesions existed in slices. To evaluate the model, a hybrid loss function including dice, focal and cross entropy along with 5-fold cross validation method were used and lastly a test dataset which was randomly split used to evaluate the model performance on unseen data for each of four mentioned approaches. Results Results demonstrate that using BRS considerably improved model performance and validation. Significant improvement in last approach -- optimal volume with BRS -- compared to the approach without BRS counting around 50 percent demonstrating how effective BRS has been in BLS. Moreover, huge improvement in energy consumption, decreasing up to 450 percent, introduces a green solution toward a more environmentally sustainable approach for future work on large dataset.
• Abstract（参考訳）: 目的: ダイナミックコントラスト造影MRI(DCE-MRI)における乳腺病変の分節化は, 正確に診断し, 計画し, 進展をモニターするための重要なステップである。 本研究は,乳腺DCE-MRIにおけるBRSが深層学習に基づく乳房病変のセグメンテーション(BLS)に及ぼす影響を明らかにすることを目的とする。 主に59個のDCE-MRIスキャンとUNet++をディープラーニングモデルとして用いたStavanger Datasetを用いて,BRSがBLSに与える影響を比較検討した。 これら4つのアプローチは, BRSのない全容積, BRS, BRS, BRS, BRS, BRSが選択された。 拡張やオーバーサンプリングといった前処理手法は、小さなデータセット、データ形状の均一性、モデルパフォーマンスの向上に使用された。 すべての病変がスライスに存在することを確実にするために, 最適な体積サイズを精密なプロセスで検討した。 モデルを評価するために,5倍のクロスバリデーション法とともにダイス,焦点,クロスエントロピーを含むハイブリッド損失関数を用い,最後に4つのアプローチのそれぞれに対して,未知のデータに対するモデル性能を評価するためにランダムに分割されたテストデータセットを用いた。 その結果,BRSの使用はモデルの性能と妥当性を著しく向上した。 前回のアプローチ -- BRSと最適なボリューム -- は、BRSのないアプローチと比較して、BLSにおいてBRSがどれほど効果的であったかを示すのに約50%を数えている。 さらに、エネルギー消費の大幅な改善、最大45%の削減は、将来の大規模データセットに向けた環境的に持続可能なアプローチへのグリーンソリューションを導入している。

関連論文リスト

• SAMRI-2: A Memory-based Model for Cartilage and Meniscus Segmentation in 3D MRIs of the Knee Joint [0.7879983966759583]
  本研究では,メモリベースのVFMを用いた3次元MRIによる軟骨・半月板分割のためのディープラーニング(DL)手法を提案する。 我々はCNNベースの3D-VNetと2つの自動トランスフォーマーベースモデル(SaMRI2DとSaMRI3D)、およびトランスフォーマーベースのプロンプト可能なメモリベースVFM(SAMRI-2)を270例の3D膝MRIで訓練した。 SAMRI-2はHSSで訓練され、他の全てのモデルより優れ、平均5ポイント改善し、最高12ポイント向上した。
  論文  参考訳（メタデータ） (2025-02-14T21:18:01Z)
• Pioneering Precision in Lumbar Spine MRI Segmentation with Advanced Deep Learning and Data Enhancement [0.0]
  本研究では、クラス不均衡やデータ前処理といった重要な課題に対処することに焦点を当てる。 腰痛患者のMRI検査は、脊椎、脊椎、椎間板(IVD)の3つの重要な分類を正確に表現するために、精査的に前処理されている 改良されたU-Netモデルは、リークされたRectified Linear Units (ReLU)とGrorotの一様初期化器を備えたアップサンプルブロックを含む革新的なアーキテクチャ拡張を含んでいる。
  論文  参考訳（メタデータ） (2024-09-09T19:22:17Z)
• A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
  医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。 本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-11T04:12:35Z)
• BMRetriever: Tuning Large Language Models as Better Biomedical Text Retrievers [48.21255861863282]
  BMRetrieverは、バイオメディカル検索を強化するための一連の密集したレトリバーである。 BMRetrieverは強力なパラメータ効率を示し、410Mの派生型はベースラインを最大11.7倍まで上回っている。
  論文  参考訳（メタデータ） (2024-04-29T05:40:08Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Breast mass detection in digital mammography based on anchor-free architecture [0.4568777157687961]
  BMassDNet(Breast Mass Detection Network)と呼ばれる一段階の物体検出アーキテクチャを提案する。 BMassDNetはアンカーフリーで特徴ピラミッドに基づいており、異なる大きさの乳房の質量を検出する。 提案するBMassDNetは,現在最上位の手法よりも競合検出性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-02T07:11:16Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。