論文の概要: Towards order of magnitude X-ray dose reduction in breast cancer imaging using phase contrast and deep denoising
- arxiv url: http://arxiv.org/abs/2505.05812v1
- Date: Fri, 09 May 2025 06:15:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 20:40:10.171042
- Title: Towards order of magnitude X-ray dose reduction in breast cancer imaging using phase contrast and deep denoising
- Title（参考訳）: 位相コントラストとディープ・デノナイジングを用いた乳癌画像におけるX線量削減の順
- Authors: Ashkan Pakzad, Robert Turnbull, Simon J. Mutch, Thomas A. Leatham, Darren Lockie, Jane Fox, Beena Kumar, Daniel Häsermann, Christopher J. Hall, Anton Maksimenko, Benedicta D. Arhatari, Yakov I. Nesterets, Amir Entezam, Seyedamir T. Taba, Patrick C. Brennan, Timur E. Gureyev, Harry M. Quiney,
- Abstract要約: 位相コントラストCT(PCT)は低線量で高画質の画像を生成することが示されている。
深層学習に基づく画像復調は、画質を損なうことなく、放射線線量をさらに16以上削減することができる。
- 参考スコア（独自算出の注目度）: 5.618529985480756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is the most frequently diagnosed human cancer in the United States at present. Early detection is crucial for its successful treatment. X-ray mammography and digital breast tomosynthesis are currently the main methods for breast cancer screening. However, both have known limitations in terms of their sensitivity and specificity to breast cancers, while also frequently causing patient discomfort due to the requirement for breast compression. Breast computed tomography is a promising alternative, however, to obtain high-quality images, the X-ray dose needs to be sufficiently high. As the breast is highly radiosensitive, dose reduction is particularly important. Phase-contrast computed tomography (PCT) has been shown to produce higher-quality images at lower doses and has no need for breast compression. It is demonstrated in the present study that, when imaging full fresh mastectomy samples with PCT, deep learning-based image denoising can further reduce the radiation dose by a factor of 16 or more, without any loss of image quality. The image quality has been assessed both in terms of objective metrics, such as spatial resolution and contrast-to-noise ratio, as well as in an observer study by experienced medical imaging specialists and radiologists. This work was carried out in preparation for live patient PCT breast cancer imaging, initially at specialized synchrotron facilities.
- Abstract（参考訳）: 乳がんは、現在アメリカ合衆国で最も頻繁に診断されているヒト癌である。
早期発見は治療の成功に不可欠である。
X線マンモグラフィーとデジタル乳房トモシン合成は、現在乳がん検診の主要な方法である。
しかし、どちらも乳がんに対する感受性や特異性に限界があることが知られている一方で、乳がんの圧迫が要求されるため患者の不快感も頻繁に生じている。
胸部CTは, 高品質な画像を得るためには, 十分なX線線量が必要である。
乳房は放射線感受性が高いため、特に線量減少が重要である。
位相コントラストCT(PCT)は低線量で高画質の画像を生成することが示されており,乳房圧迫は不要である。
本研究は,PCTを用いたマスト全摘像において,画像品質を損なうことなく,深層学習に基づく画像認識により,放射線線量をさらに16以上減少させることができることを示した。
画像の質は、空間分解能やコントラスト・ツー・ノイズ比といった客観的な指標から評価され、また経験豊富な医用画像専門家や放射線技師による観察研究でも評価されている。
本研究は, 当初, 特殊なシンクロトロン施設において, PCT乳がん生検のために行われた。
関連論文リスト
- Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。
特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文 参考訳（メタデータ） (2024-05-13T16:07:58Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Blind Signal Separation for Fast Ultrasound Computed Tomography [6.25118865553438]
FastUSCTは、USCTの従来の方法よりも高速に高品質な画像を取得する方法である。
複数の超音波を同時に送信し、撮像時間を短縮する。
受信要素によって記録された重なり合う波をUNetで各波に分離する。
論文 参考訳（メタデータ） (2023-04-27T12:14:03Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT [7.712142153700843]
我々は,切欠き拡散確率モデル(DDPM)を,サブボリュームベーススパースビュー胸部CT画像再構成のための並列フレームワークに変換する。
実験により, 本手法は, 標準放射線線量の半分から3分の1の競争再建性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-03-22T18:55:43Z) - 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) - Improving Specificity in Mammography Using Cross-correlation between
Wavelet and Fourier Transform [0.0]
乳がんの発生率は世界中で高いが、死亡率は継続的に減少している。
本稿では、離散ウェーブレット変換とフーリエ変換を適用して画像を解析する手法を検討する。
論文 参考訳（メタデータ） (2022-01-20T00:49:33Z) - Deep Integrated Pipeline of Segmentation Leading to Classification for
Automated Detection of Breast Cancer from Breast Ultrasound Images [0.0]
提案フレームワークは,超音波画像の前処理をSLIC(Simple Linear Iterative Clustering)と統合し,乳房超音波画像の複雑なアーティファクトに対処する。
提案した自動パイプラインは、乳がんをより正確かつタイムリーに診断する医療従事者を支援するために効果的に実装することができる。
論文 参考訳（メタデータ） (2021-10-26T20:42:39Z) - 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) - Segmentation of Infrared Breast Images Using MultiResUnet Neural Network [0.0]
乳がん検診における非侵襲的乳房造影剤として赤外線サーモグラフィーを検討中である。
自己エンコーダ様畳み込み畳み込みニューラルネットワーク(C-DCNN)は、以前の研究で乳房領域を自動的にIR画像に分割するために応用された。
本研究では,現在最先端のディープラーニングセグメンテーションモデルであるMultiResUnetを適用した。
論文 参考訳（メタデータ） (2020-10-31T22:15:28Z)
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。