論文の概要: Breast Cancer Detection from Multi-View Screening Mammograms with Visual Prompt Tuning

• arxiv url: http://arxiv.org/abs/2504.19900v1
• Date: Mon, 28 Apr 2025 15:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.493438
• Title: Breast Cancer Detection from Multi-View Screening Mammograms with Visual Prompt Tuning
• Title（参考訳）: マルチビュー検診用マンモグラフィーによる乳がん検診
• Authors: Han Chen, Anne L. Martel,
• Abstract要約: マルチビュー・ビジュアル・プロンプト・チューニング・ネットワーク(MVPT-NET)を提案する。 まず,高分解能マンモグラム上でのロバストな単一ビュー分類モデルを事前学習し,その上で,マルチビュー特徴学習をタスク固有のプロンプトチューニングプロセスに革新的に適応させる。 我々の手法は従来の特徴融合法に代わる効率的な方法を提供し、高分解能マンモグラフィー解析のためのより堅牢でスケーラブルで効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 3.3670613441132993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate detection of breast cancer from high-resolution mammograms is crucial for early diagnosis and effective treatment planning. Previous studies have shown the potential of using single-view mammograms for breast cancer detection. However, incorporating multi-view data can provide more comprehensive insights. Multi-view classification, especially in medical imaging, presents unique challenges, particularly when dealing with large-scale, high-resolution data. In this work, we propose a novel Multi-view Visual Prompt Tuning Network (MVPT-NET) for analyzing multiple screening mammograms. We first pretrain a robust single-view classification model on high-resolution mammograms and then innovatively adapt multi-view feature learning into a task-specific prompt tuning process. This technique selectively tunes a minimal set of trainable parameters (7\%) while retaining the robustness of the pre-trained single-view model, enabling efficient integration of multi-view data without the need for aggressive downsampling. Our approach offers an efficient alternative to traditional feature fusion methods, providing a more robust, scalable, and efficient solution for high-resolution mammogram analysis. Experimental results on a large multi-institution dataset demonstrate that our method outperforms conventional approaches while maintaining detection efficiency, achieving an AUROC of 0.852 for distinguishing between Benign, DCIS, and Invasive classes. This work highlights the potential of MVPT-NET for medical imaging tasks and provides a scalable solution for integrating multi-view data in breast cancer detection.
• Abstract（参考訳）: 高分解能マンモグラフィーによる乳癌の正確な検出は早期診断と治療計画に不可欠である。 これまでの研究では、乳がん検出にシングルビューマンモグラムを使うことの可能性が示されている。 しかし、マルチビューデータを統合することで、より包括的な洞察が得られる。 マルチビュー分類は、特に医用画像において、特に大規模で高解像度なデータを扱う際に、固有の課題を提示する。 本研究では,マルチビュー・ビジュアル・プロンプト・チューニング・ネットワーク(MVPT-NET)を提案する。 まず,高分解能マンモグラム上でのロバストな単一ビュー分類モデルを事前学習し,その上で,マルチビュー特徴学習をタスク固有のプロンプトチューニングプロセスに革新的に適応させる。 この手法は、トレーニング可能な最小限のパラメータ (7 %) を選択的に調整し、事前トレーニングされた単一ビューモデルの堅牢性を保ち、アグレッシブなダウンサンプリングを必要とせずに、マルチビューデータの効率的な統合を可能にする。 我々の手法は従来の特徴融合法に代わる効率的な方法を提供し、高分解能マンモグラフィー解析のためのより堅牢でスケーラブルで効率的なソリューションを提供する。 大規模マルチインスティテュートデータセットによる実験結果から,本手法は検出効率を維持しつつ従来の手法よりも優れており,ベニグラード,DCIS,侵入型クラスを識別できる0.852のAUROCを実現していることがわかった。 この研究は、医療画像タスクにおけるMVPT-NETの可能性を強調し、乳がん検出にマルチビューデータを統合するスケーラブルなソリューションを提供する。

関連論文リスト

• Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
  テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。 提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。 CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-11-16T21:32:51Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
  乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。 悪性の腫瘤を正確に識別することは 依然として困難です マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:22:14Z)
• Towards Robust Natural-Looking Mammography Lesion Synthesis on Ipsilateral Dual-Views Breast Cancer Analysis [1.1098503592431275]
  マンモグラフィ分類タスクの2つの主要な課題は、マルチビューマンモグラフィ情報とクラスアンバランスハンドリングを活用することである。 補助的な視点から低レベル特徴情報を活用することにより,検討された視点(メインビュー)を強化するための,単純だが斬新な手法を提案する。 また, 単純ながら新規なマンモグラム合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T06:33:30Z)
• MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening [4.587250201300601]
  マンモグラフィーは高い変動性とマンモグラフィーのパターンのために課題を提起する。 MammoDGはクロスドメインマルチセンターマンモグラフィーデータの汎用的で信頼性の高い解析のための新しいディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-02T10:10:22Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Domain Generalization for Mammography Detection via Multi-style and Multi-view Contrastive Learning [47.30824944649112]
  限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。 バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。 実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-21T14:29:50Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• 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)

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。