論文の概要: VMRA-MaR: An Asymmetry-Aware Temporal Framework for Longitudinal Breast Cancer Risk Prediction

• arxiv url: http://arxiv.org/abs/2506.17412v1
• Date: Fri, 20 Jun 2025 18:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.404131
• Title: VMRA-MaR: An Asymmetry-Aware Temporal Framework for Longitudinal Breast Cancer Risk Prediction
• Title（参考訳）: VMRA-MaR : 縦断的乳癌リスク予測のための非対称性を意識した時間的枠組み
• Authors: Zijun Sun, Solveig Thrun, Michael Kampffmeyer,
• Abstract要約: 我々は,Vision Mamba RNN (VMRNN) と状態空間モデル (SSM) とLSTMライクな記憶機構を併用し,乳房組織進化の微妙な傾向を捉えることを提案する。 臨床的に関連する2つの相違点を特定するために,空間非対称性検出器(SAD)と縦方向非対称性追跡器(LAT)を組み込んだ。 この統合された枠組みは、特に高密度の乳がん症例において、がん発症の予測において顕著な改善を示す。
• 参考スコア（独自算出の注目度）: 9.279703528115139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer remains a leading cause of mortality worldwide and is typically detected via screening programs where healthy people are invited in regular intervals. Automated risk prediction approaches have the potential to improve this process by facilitating dynamically screening of high-risk groups. While most models focus solely on the most recent screening, there is growing interest in exploiting temporal information to capture evolving trends in breast tissue, as inspired by clinical practice. Early methods typically relied on two time steps, and although recent efforts have extended this to multiple time steps using Transformer architectures, challenges remain in fully harnessing the rich temporal dynamics inherent in longitudinal imaging data. In this work, we propose to instead leverage Vision Mamba RNN (VMRNN) with a state-space model (SSM) and LSTM-like memory mechanisms to effectively capture nuanced trends in breast tissue evolution. To further enhance our approach, we incorporate an asymmetry module that utilizes a Spatial Asymmetry Detector (SAD) and Longitudinal Asymmetry Tracker (LAT) to identify clinically relevant bilateral differences. This integrated framework demonstrates notable improvements in predicting cancer onset, especially for the more challenging high-density breast cases and achieves superior performance at extended time points (years four and five), highlighting its potential to advance early breast cancer recognition and enable more personalized screening strategies. Our code is available at https://github.com/Mortal-Suen/VMRA-MaR.git.
• Abstract（参考訳）: 乳がんは世界の死亡率の主要な原因であり、通常、健康な人が定期的に招待されるスクリーニングプログラムを通じて検出される。 自動リスク予測アプローチは、リスクの高いグループの動的スクリーニングを容易にすることによって、このプロセスを改善する可能性がある。 ほとんどのモデルは、最新のスクリーニングにのみ焦点をあてているが、臨床実践に触発されたように、乳房組織の進化傾向を捉えるために、時間的情報を活用することへの関心が高まっている。 初期の手法は一般的に2つの時間ステップに依存しており、近年の取り組みではTransformerアーキテクチャを使って複数の時間ステップに拡張されているが、縦方向イメージングデータに固有のリッチな時間的ダイナミクスを十分に活用することの難しさは残る。 本研究では,Vision Mamba RNN (VMRNN) と状態空間モデル (SSM) とLSTMライクな記憶機構を併用し,乳房組織進化の微妙な傾向を効果的に捉えることを提案する。 アプローチをさらに強化するために,SAD(Spatial Asymmetric Detector)とLAT(Longitudinal Asymmetric Tracker)を用いた非対称性モジュールを組み込んだ。 この統合された枠組みは、がん発症予測の顕著な改善、特により困難な高密度乳房症例において顕著な改善を示し、より長い時間(4歳と5歳)で優れたパフォーマンスを達成し、早期乳癌の認識を前進させ、よりパーソナライズされたスクリーニング戦略を可能にする可能性を強調している。 私たちのコードはhttps://github.com/Mortal-Suen/VMRA-MaR.gitで公開されています。

関連論文リスト

• STA-Risk: A Deep Dive of Spatio-Temporal Asymmetries for Breast Cancer Risk Prediction [1.600919533339807]
  STA-Risk は乳がんリスク予測のための両側および縦アシンメトリーからの微細なマンモグラフィー画像の進化を同時に捉えている。 2つの独立したマンモグラフィーデータセットを用いて広範な実験を行い、1～5年間のリスク予測のために4つの代表的なSOTAモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-27T19:38:23Z)
• 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)
• Longitudinal Mammogram Risk Prediction [6.28887425442237]
  我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。 以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-29T19:52:09Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data [3.982926115291704]
  マルチモーダルトランス (MMT) はマンモグラフィーと超音波を相乗的に利用するニューラルネットワークである。 MMTは、現在の検査と以前の画像を比較することで、時間的組織変化を追跡する。 5年間のリスク予測では、MMTはAUROCの0.826を達成し、従来のマンモグラフィーベースのリスクモデルより優れている。
  論文  参考訳（メタデータ） (2023-11-06T16:01:42Z)
• Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features [0.0]
  早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。 本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。 提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-06-26T07:54:09Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• 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)

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。