論文の概要: Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography
- arxiv url: http://arxiv.org/abs/2507.06410v1
- Date: Tue, 08 Jul 2025 21:26:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.39623
- Title: Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography
- Title（参考訳）: 乳房造影における乳房密度分類のための注意増強型深層学習アンサンブル
- Authors: Peyman Sharifian, Xiaotong Hong, Alireza Karimian, Mehdi Amini, Hossein Arabi,
- Abstract要約: 本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。
先進的な畳み込みニューラルネットワークを4つ実装し比較した。
焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast density assessment is a crucial component of mammographic interpretation, with high breast density (BI-RADS categories C and D) representing both a significant risk factor for developing breast cancer and a technical challenge for tumor detection. This study proposes an automated deep learning system for robust binary classification of breast density (low: A/B vs. high: C/D) using the VinDr-Mammo dataset. We implemented and compared four advanced convolutional neural networks: ResNet18, ResNet50, EfficientNet-B0, and DenseNet121, each enhanced with channel attention mechanisms. To address the inherent class imbalance, we developed a novel Combined Focal Label Smoothing Loss function that integrates focal loss, label smoothing, and class-balanced weighting. Our preprocessing pipeline incorporated advanced techniques, including contrast-limited adaptive histogram equalization (CLAHE) and comprehensive data augmentation. The individual models were combined through an optimized ensemble voting approach, achieving superior performance (AUC: 0.963, F1-score: 0.952) compared to any single model. This system demonstrates significant potential to standardize density assessments in clinical practice, potentially improving screening efficiency and early cancer detection rates while reducing inter-observer variability among radiologists.
- Abstract（参考訳）: 乳房密度評価は乳房診断の重要な要素であり,高い乳房密度 (BI-RADS category C, D) は乳癌発生の重大な危険因子であり, 腫瘍検出の技術的課題でもある。
本研究では,VinDr-Mammoデータセットを用いた乳房密度(A/B vs. High: C/D)の頑健な二分分類のための自動ディープラーニングシステムを提案する。
ResNet18, ResNet50, EfficientNet-B0, DenseNet121の4つの進化的畳み込みニューラルネットワークの実装と比較を行った。
そこで我々は, 局所的損失, ラベルの平滑化, およびクラスバランス重み付けを統合した, 新規なFocal Label Smoothing Loss関数を開発した。
我々の前処理パイプラインには、コントラスト制限適応ヒストグラム等化(CLAHE)や包括的データ拡張など、高度な技術が組み込まれている。
個々のモデルは最適化されたアンサンブル投票方式で組み合わせられ、どのモデルよりも優れた性能(AUC:0.963, F1スコア: 0.952)を得ることができた。
本システムは, 臨床実習における密度評価の標準化に有意な可能性を示し, 検診効率と早期がん検出率を向上させるとともに, 放射線科医間のサーバ間変動を低減させる。
関連論文リスト
- Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images [3.0040661953201475]
病変分割のためのハイブリッドアテンションベースネットワークを提案する。
提案アーキテクチャでは,エンコーダ部に事前学習したDenseNet121を組み込んで,ロバストな特徴抽出を行う。
公開データセットの実験は、我々の手法が既存のアプローチより優れていることを示した。
論文 参考訳（メタデータ） (2025-06-19T20:32:54Z) - RURANET++: An Unsupervised Learning Method for Diabetic Macular Edema Based on SCSE Attention Mechanisms and Dynamic Multi-Projection Head Clustering [13.423253964156117]
RURANET++は、糖尿病黄斑浮腫(DME)の教師なし学習に基づく自動診断システムである
特徴処理中、トレーニング済みのGoogLeNetモデルは網膜画像から深い特徴を抽出し、PCAベースの次元を50次元に減らして計算効率を向上する。
実験の結果,複数の測定値に対して優れた性能を示し,最大精度(0.8411),精度(0.8593),リコール(0.8411),F1スコアを異常なクラスタリング品質で達成した。
論文 参考訳（メタデータ） (2025-02-27T16:06:57Z) - DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。
本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
論文 参考訳（メタデータ） (2024-12-04T17:39:44Z) - Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。
実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文 参考訳（メタデータ） (2024-04-14T12:09:47Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - 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) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z)
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。