Fugu-MT 論文翻訳(概要): Enhancing breast cancer detection on screening mammogram using self-supervised learning and a hybrid deep model of Swin Transformer and Convolutional Neural Network

論文の概要: Enhancing breast cancer detection on screening mammogram using self-supervised learning and a hybrid deep model of Swin Transformer and Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2504.19888v1
Date: Mon, 28 Apr 2025 15:23:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.490695
Title: Enhancing breast cancer detection on screening mammogram using self-supervised learning and a hybrid deep model of Swin Transformer and Convolutional Neural Network
Title（参考訳）: 自己教師付き学習とスイニングトランスフォーマーと畳み込みニューラルネットワークのハイブリッドモデルを用いた乳がん検診における乳がん検出の強化
Authors: Han Chen, Anne L. Martel,
Abstract要約: 高品質なラベル付き医療訓練データの不足は、乳がんの診断に人工知能(AI)システムを適用する際の大きな限界の1つである。本稿では,自己教師付き学習(SSL)と,局所的な自己意図ときめ細かな特徴抽出を組み合わせた深層ハイブリッドモデルtextbfHybMNetを提案する。本手法は良性(正常)と悪性乳腺腫の鑑別による乳癌の検出能について検討した。
参考スコア（独自算出の注目度）: 3.3670613441132993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: The scarcity of high-quality curated labeled medical training data remains one of the major limitations in applying artificial intelligence (AI) systems to breast cancer diagnosis. Deep models for mammogram analysis and mass (or micro-calcification) detection require training with a large volume of labeled images, which are often expensive and time-consuming to collect. To reduce this challenge, we proposed a novel method that leverages self-supervised learning (SSL) and a deep hybrid model, named \textbf{HybMNet}, which combines local self-attention and fine-grained feature extraction to enhance breast cancer detection on screening mammograms. Approach: Our method employs a two-stage learning process: (1) SSL Pretraining: We utilize EsViT, a SSL technique, to pretrain a Swin Transformer (Swin-T) using a limited set of mammograms. The pretrained Swin-T then serves as the backbone for the downstream task. (2) Downstream Training: The proposed HybMNet combines the Swin-T backbone with a CNN-based network and a novel fusion strategy. The Swin-T employs local self-attention to identify informative patch regions from the high-resolution mammogram, while the CNN-based network extracts fine-grained local features from the selected patches. A fusion module then integrates global and local information from both networks to generate robust predictions. The HybMNet is trained end-to-end, with the loss function combining the outputs of the Swin-T and CNN modules to optimize feature extraction and classification performance. Results: The proposed method was evaluated for its ability to detect breast cancer by distinguishing between benign (normal) and malignant mammograms. Leveraging SSL pretraining and the HybMNet model, it achieved AUC of 0.864 (95% CI: 0.852, 0.875) on the CMMD dataset and 0.889 (95% CI: 0.875, 0.903) on the INbreast dataset, highlighting its effectiveness.
Abstract（参考訳）: 目的: 高品質なラベル付き医療訓練データの不足は, 乳がん診断に人工知能(AI)システムを適用する際の大きな限界の1つである。マンモグラム解析と質量(または微小石灰化)検出のための深層モデルでは、大量のラベル付き画像でトレーニングする必要がある。この課題を解決するため,我々は,局所的な自己注意と微細な特徴抽出を併用し,乳がんの検診における乳がん検出を向上する,自己教師付き学習(SSL)と深層ハイブリッドモデル(textbf{HybMNet})を提案する。アプローチ:本手法では,(1)SSL事前学習: SSL技術であるEsViTを用いて,限られたマンモグラムを用いてスウィントランスフォーマー(Swin-T)を事前学習する。事前訓練されたSwin-Tは、下流タスクのバックボーンとして機能する。 2)ダウンストリームトレーニング:提案したHybMNetは,Swin-TバックボーンとCNNベースのネットワークと,新たな融合戦略を組み合わせたものだ。 Swin-Tは、高分解能マンモグラムから情報的パッチ領域を特定するために局所的自己アテンションを使用し、CNNベースのネットワークは選択したパッチからきめ細かいローカル特徴を抽出する。融合モジュールは、両方のネットワークからグローバルおよびローカル情報を統合し、堅牢な予測を生成する。 HybMNetはエンドツーエンドで訓練されており、損失関数はSwin-TとCNNモジュールの出力を組み合わせて特徴抽出と分類性能を最適化する。結果: 良性(正常)と悪性胸腺腫を鑑別し, 乳癌の診断能について検討した。 SSLプリトレーニングとHybMNetモデルを活用して、CMMDデータセットで0.864(95% CI:0.852, 0.875)、Inbreastデータセットで0.889(95% CI:0.875, 0.903)を達成した。

関連論文リスト

PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文参考訳（メタデータ） (2024-02-19T02:31:36Z)
Self-Supervised Deep Learning to Enhance Breast Cancer Detection on Screening Mammography [2.9082470896148425]
本稿では、この問題を解決するために、強化に基づく自己教師付き学習(SSL)技術について検討する。乳がん検出を例として,まずマンモグラム特異的な形質転換パラダイムを同定する。本研究では,一様タイル付きパッチの予測から画像全体への事前学習モデルを変換する手法と,分類性能を向上させるアテンションベースプーリング手法を提案する。
論文参考訳（メタデータ） (2022-03-16T03:47:01Z)
Classification of Microscopy Images of Breast Tissue: Region Duplication based Self-Supervision vs. Off-the Shelf Deep Representations [0.0]
本稿では、畳み込みニューラルネットワーク(CNN)を訓練し、ドメイン固有の特徴を抽出する、新しい自己超越プレテキストタスクを提案する。その結果,ResNet50を用いて抽出した深部機能に対して,パッチレベルの埋め込みを併用した99%の感度の最高の性能が得られた。
論文参考訳（メタデータ） (2022-02-12T14:12:13Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
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)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文参考訳（メタデータ） (2020-05-29T21:23:00Z)
A Two-Stage Multiple Instance Learning Framework for the Detection of Breast Cancer in Mammograms [13.842620686759616]
乳がんの大規模検診ではマンモグラムが一般的に用いられる。画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
論文参考訳（メタデータ） (2020-04-24T13:06:47Z)

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。