論文の概要: Detection of Breast Cancer Lumpectomy Margin with SAM-incorporated Forward-Forward Contrastive Learning
- arxiv url: http://arxiv.org/abs/2506.21006v1
- Date: Thu, 26 Jun 2025 04:46:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-27 19:53:09.981579
- Title: Detection of Breast Cancer Lumpectomy Margin with SAM-incorporated Forward-Forward Contrastive Learning
- Title（参考訳）: SAM-incorporated forward-forward Contrastive Learning を用いた乳癌肺切除症例の検討
- Authors: Tyler Ward, Xiaoqin Wang, Braxton McFarland, Md Atik Ahamed, Sahar Nozad, Talal Arshad, Hafsa Nebbache, Jin Chen, Abdullah Imran,
- Abstract要約: 本稿では,Segment Anything Model(SAM)とForward-Forward Contrastive Learning(FFCL)を組み合わせた新しいディープラーニングフレームワークを提案する。
提案手法は,ベースラインモデルよりも27.4%向上し,推定時間を47ミリ秒に短縮し,マージン分類とセグメンテーションマージンの0.8455を達成した。
- 参考スコア（独自算出の注目度）: 4.066789590650407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complete removal of cancer tumors with a negative specimen margin during lumpectomy is essential in reducing breast cancer recurrence. However, 2D specimen radiography (SR), the current method used to assess intraoperative specimen margin status, has limited accuracy, resulting in nearly a quarter of patients requiring additional surgery. To address this, we propose a novel deep learning framework combining the Segment Anything Model (SAM) with Forward-Forward Contrastive Learning (FFCL), a pre-training strategy leveraging both local and global contrastive learning for patch-level classification of SR images. After annotating SR images with regions of known maligancy, non-malignant tissue, and pathology-confirmed margins, we pre-train a ResNet-18 backbone with FFCL to classify margin status, then reconstruct coarse binary masks to prompt SAM for refined tumor margin segmentation. Our approach achieved an AUC of 0.8455 for margin classification and segmented margins with a 27.4% improvement in Dice similarity over baseline models, while reducing inference time to 47 milliseconds per image. These results demonstrate that FFCL-SAM significantly enhances both the speed and accuracy of intraoperative margin assessment, with strong potential to reduce re-excision rates and improve surgical outcomes in breast cancer treatment. Our code is available at https://github.com/tbwa233/FFCL-SAM/.
- Abstract（参考訳）: 乳がん再発の軽減には,肺切除時に陰性な検体縁を有する癌腫瘍の完全切除が不可欠である。
しかし,術中検体マージンの評価に用いられている2次元検体X線撮影(SR)の精度は低いため,追加手術を要した症例は4分の1近くであった。
そこで本稿では,Segment Anything Model (SAM) とForward-Forward Contrastive Learning (FFCL) を組み合わせた新たなディープラーニングフレームワークを提案する。
SR画像に悪性度, 非悪性組織, 病理診断縁の領域をアノテートした後, FFCLでResNet-18バックボーンをトレーニングし, マージンの分類を行い, arse binary masksを再構成し, SAMを改良した腫瘍マージンセグメンテーションを誘導した。
提案手法は,ベースラインモデルよりもDice類似度が27.4%向上し,画像当たり47ミリ秒まで推論時間を短縮し,マージン分類とセグメンテーションマージンのAUCが0.8455に達した。
これらの結果から,FFCL-SAMは術中マージン評価の速度と精度を著しく向上させ,再検査率の低下と乳癌治療の手術成績の改善に寄与する可能性が示唆された。
私たちのコードはhttps://github.com/tbwa233/FFCL-SAM/で利用可能です。
関連論文リスト
- Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。
MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。
本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-27T07:58:08Z) - Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI [0.0]
mpMRIにおける配列の組み合わせの効果は未解明のままである。
DCE配列を用いたnnU-Netモデルは機能腫瘍容積(FTV)セグメンテーションにおいて0.69$pm$0.18のDice類似係数(DSC)を達成した。
論文 参考訳（メタデータ） (2024-06-12T02:09:05Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Intra-operative tumour margin evaluation in breast-conserving surgery with deep learning [0.8488455943441636]
提案手法は術中測定システムにおける潜在的手順である。
深層学習技術は、病理報告と一致した結果を導き出すことができる。
論文 参考訳（メタデータ） (2024-04-16T14:26:55Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - SimPLe: Similarity-Aware Propagation Learning for Weakly-Supervised
Breast Cancer Segmentation in DCE-MRI [4.689359813220365]
癌領域の分節化は、その後の乳房MRI解析に不可欠である。
乳がんセグメンテーションのアノテーションとして極端点を用いた弱監督戦略を提案する。
実験により,SimPLe戦略を用いてネットワークを効率的に微調整する手法が実証された。
論文 参考訳（メタデータ） (2023-06-29T06:22:50Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$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) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - 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) - 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) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。