論文の概要: Reconsidering Explicit Longitudinal Mammography Alignment for Enhanced Breast Cancer Risk Prediction

• arxiv url: http://arxiv.org/abs/2506.19363v1
• Date: Tue, 24 Jun 2025 06:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.523276
• Title: Reconsidering Explicit Longitudinal Mammography Alignment for Enhanced Breast Cancer Risk Prediction
• Title（参考訳）: 乳腺癌危険度予測のための縦断的乳房アライメントの再検討
• Authors: Solveig Thrun, Stine Hansen, Zijun Sun, Nele Blum, Suaiba A. Salahuddin, Kristoffer Wickstrøm, Elisabeth Wetzer, Robert Jenssen, Maik Stille, Michael Kampffmeyer,
• Abstract要約: ディープラーニングに基づくリスク予測手法は、リスクの高いグループに対するスクリーニング間隔を調整することに関心を喚起している。 最近のアプローチでは、スクリーニングの時間的側面を活用して、経時的に乳房組織の変化を追跡する。 この2つの主要な戦略は、変形可能な登録による明示的な機能アライメントと、トランスフォーマーのようなテクニックを用いた暗黙的な学習アライメントである。
• 参考スコア（独自算出の注目度）: 14.902784101370868
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Regular mammography screening is essential for early breast cancer detection. Deep learning-based risk prediction methods have sparked interest to adjust screening intervals for high-risk groups. While early methods focused only on current mammograms, recent approaches leverage the temporal aspect of screenings to track breast tissue changes over time, requiring spatial alignment across different time points. Two main strategies for this have emerged: explicit feature alignment through deformable registration and implicit learned alignment using techniques like transformers, with the former providing more control. However, the optimal approach for explicit alignment in mammography remains underexplored. In this study, we provide insights into where explicit alignment should occur (input space vs. representation space) and if alignment and risk prediction should be jointly optimized. We demonstrate that jointly learning explicit alignment in representation space while optimizing risk estimation performance, as done in the current state-of-the-art approach, results in a trade-off between alignment quality and predictive performance and show that image-level alignment is superior to representation-level alignment, leading to better deformation field quality and enhanced risk prediction accuracy. The code is available at https://github.com/sot176/Longitudinal_Mammogram_Alignment.git.
• Abstract（参考訳）: 乳がんの早期発見には正常なマンモグラフィースクリーニングが不可欠である。 ディープラーニングに基づくリスク予測手法は、リスクの高いグループに対するスクリーニング間隔を調整することに関心を喚起している。 初期の手法は、現在のマンモグラムのみに焦点を当てていたが、近年のアプローチでは、検診の時間的側面を利用して、経時的に乳房組織の変化を追跡し、異なる時間点に空間的アライメントを必要とする。 変形可能な登録による明示的な機能アライメントと、トランスフォーマーのようなテクニックによる暗黙的な学習アライメントと、前者によるコントロールの向上だ。 しかし,マンモグラフィーにおける明示的アライメントに対する最適アプローチはいまだ検討されていない。 本研究では、明示的なアライメント(インプット空間対表現空間)がどこで発生すべきか、そしてアライメントとリスク予測が協調的に最適化されるべきかどうかを考察する。 本研究では,現在最先端の手法によるリスク推定性能を最適化しつつ,表現空間における明示的なアライメントを共同学習することにより,アライメント品質と予測性能のトレードオフが生じ,画像レベルのアライメントが表現レベルアライメントよりも優れていることを示す。 コードはhttps://github.com/sot176/Longitudinal_Mammogram_Alignment.gitで公開されている。

関連論文リスト

• Adaptive Deep Learning for Multiclass Breast Cancer Classification via Misprediction Risk Analysis [0.8028869343053783]
  早期発見は患者の予後を改善するのに不可欠である。 コンピュータ支援診断アプローチは乳がんの検出を著しく向上させた。 しかし、これらの手法は多クラス分類の課題に直面し、しばしば誤予測を引き起こす。
  論文  参考訳（メタデータ） (2025-03-17T03:25:28Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
  緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。 本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:31:47Z)
• Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms [16.06975226476176]
  OA-BreaCR は,BC のリスクおよび時間・将来の予測タスクにおいて,既存の手法よりも優れる。 以上の結果から,BC検診・予防活動の強化に向けた解釈的かつ正確なリスク評価の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-09-10T22:03:26Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Synergizing between Self-Training and Adversarial Learning for Domain Adaptive Object Detection [11.091890625685298]
  本研究では、物体の外観、視点、背景の顕著な変化を示す未確認領域に、訓練対象検出器を適応させることについて検討する。 本稿では,モデル予測の不確実性を利用して,対向的特徴アライメントとクラスレベルのアライメントの適切なバランスを打つことを提案する。
  論文  参考訳（メタデータ） (2021-10-01T08:10:00Z)

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。