Fugu-MT 論文翻訳(概要): Enhancing Breast Cancer Detection with Vision Transformers and Graph Neural Networks

論文の概要: Enhancing Breast Cancer Detection with Vision Transformers and Graph Neural Networks

arxiv url: http://arxiv.org/abs/2507.13372v1
Date: Fri, 11 Jul 2025 20:32:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 20:43:26.042307
Title: Enhancing Breast Cancer Detection with Vision Transformers and Graph Neural Networks
Title（参考訳）: 視覚変換器とグラフニューラルネットワークによる乳癌検出の強化
Authors: Yeming Cai, Zhenglin Li, Yang Wang,
Abstract要約: 本稿では,ビジョントランスフォーマー (ViT) とグラフニューラルネットワーク (GNN) を統合し,乳がん検出を向上する革新的なフレームワークを提案する。我々のフレームワークは、VTのグローバルな画像の特徴と構造関係のモデリングにおけるGNNの強みを捉え、84.2%の精度で従来の手法より優れている。
参考スコア（独自算出の注目度）: 4.213923165125709
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Breast cancer is a leading cause of death among women globally, and early detection is critical for improving survival rates. This paper introduces an innovative framework that integrates Vision Transformers (ViT) and Graph Neural Networks (GNN) to enhance breast cancer detection using the CBIS-DDSM dataset. Our framework leverages ViT's ability to capture global image features and GNN's strength in modeling structural relationships, achieving an accuracy of 84.2%, outperforming traditional methods. Additionally, interpretable attention heatmaps provide insights into the model's decision-making process, aiding radiologists in clinical settings.
Abstract（参考訳）: 乳がんは世界中の女性の死因であり、早期発見は生存率の向上に不可欠である。本稿では,ビジョントランスフォーマー(ViT)とグラフニューラルネットワーク(GNN)を統合し,CBIS-DDSMデータセットを用いた乳がん検出を向上する革新的なフレームワークを提案する。我々のフレームワークは、VTのグローバルな画像の特徴と構造関係のモデリングにおけるGNNの強みを捉え、84.2%の精度で従来の手法より優れている。さらに、解釈可能なアテンション・ヒートマップは、臨床現場での放射線技師の補助として、モデルの意思決定プロセスに関する洞察を提供する。

関連論文リスト

Axial Attention Transformer Networks: A New Frontier in Breast Cancer Detection [5.283911891304296]
筆者らは,従来の畳み込みニューラルネットワーク(CNN)の限界に対処する,トランスフォーマーに基づくセグメンテーションモデルを提案する。このモデルは、計算効率を高め、CNNがしばしば見落としているグローバルな文脈情報の問題に対処する軸的注意機構を導入する。提案モデルは,乳がん画像のセグメント化精度を大幅に向上することを目的としており,コンピュータ支援診断のためのより効率的かつ効果的なツールを提供する。
論文参考訳（メタデータ） (2024-09-18T22:40:29Z)
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)
Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。 UNIの特徴でトレーニングされた当社のトップパフォーマンスモデルでは,平均mAP/mMVスコアが96.7%/91.5%,97.6%/94.2%,BACHデータセットが97.6%/94.2%であった。
論文参考訳（メタデータ） (2024-05-07T11:24:37Z)
MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文参考訳（メタデータ） (2024-02-19T02:31:36Z)
Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文参考訳（メタデータ） (2023-11-30T15:11:03Z)
Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文参考訳（メタデータ） (2023-11-10T11:49:49Z)
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)
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)
MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis [8.679247709183567]
乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。本研究では,乳がんの画像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-12-29T06:04:27Z)
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。