論文の概要: Exemplar Med-DETR: Toward Generalized and Robust Lesion Detection in Mammogram Images and beyond
- arxiv url: http://arxiv.org/abs/2507.19621v2
- Date: Wed, 30 Jul 2025 21:00:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 13:02:07.677171
- Title: Exemplar Med-DETR: Toward Generalized and Robust Lesion Detection in Mammogram Images and beyond
- Title（参考訳）: 乳房X線写真における前医-DETRの一般化とロバスト病変検出に向けて
- Authors: Sheethal Bhat, Bogdan Georgescu, Adarsh Bhandary Panambur, Mathias Zinnen, Tri-Thien Nguyen, Awais Mansoor, Karim Khalifa Elbarbary, Siming Bayer, Florin-Cristian Ghesu, Sasa Grbic, Andreas Maier,
- Abstract要約: 特徴に基づく検出を可能にする新しいマルチモーダルコントラスト検出器であるExemplar Med-DETRを紹介する。
ベトナムの高濃度乳腺マモグラムでは, 質量検出では0.7mAP, 石灰化では0.55mAPとなり, 絶対値16ポイント向上した。
胸部X線, 血管造影では, 腫瘤検出では0.25mAP, 狭窄検出では0.37mAPを達成し, それぞれ4ポイント, 7ポイント改善した。
- 参考スコア（独自算出の注目度）: 3.437009428325929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting abnormalities in medical images poses unique challenges due to differences in feature representations and the intricate relationship between anatomical structures and abnormalities. This is especially evident in mammography, where dense breast tissue can obscure lesions, complicating radiological interpretation. Despite leveraging anatomical and semantic context, existing detection methods struggle to learn effective class-specific features, limiting their applicability across different tasks and imaging modalities. In this work, we introduce Exemplar Med-DETR, a novel multi-modal contrastive detector that enables feature-based detection. It employs cross-attention with inherently derived, intuitive class-specific exemplar features and is trained with an iterative strategy. We achieve state-of-the-art performance across three distinct imaging modalities from four public datasets. On Vietnamese dense breast mammograms, we attain an mAP of 0.7 for mass detection and 0.55 for calcifications, yielding an absolute improvement of 16 percentage points. Additionally, a radiologist-supported evaluation of 100 mammograms from an out-of-distribution Chinese cohort demonstrates a twofold gain in lesion detection performance. For chest X-rays and angiography, we achieve an mAP of 0.25 for mass and 0.37 for stenosis detection, improving results by 4 and 7 percentage points, respectively. These results highlight the potential of our approach to advance robust and generalizable detection systems for medical imaging.
- Abstract（参考訳）: 医用画像の異常を検出することは、特徴表現の違いや解剖学的構造と異常との複雑な関係が原因で、ユニークな課題となる。
これは特にマンモグラフィーにおいて明らかであり、乳房の濃厚な組織は病変を隠蔽し、放射線学的解釈を複雑にしている。
解剖学的および意味的コンテキストを活用するにもかかわらず、既存の検出方法は効果的なクラス固有の特徴の学習に苦労し、異なるタスクにまたがる適用性を制限し、モダリティをイメージングする。
本稿では,特徴に基づく検出を可能にする新しいマルチモーダルコントラスト検出器であるExemplar Med-DETRを紹介する。
本質的に派生した直感的なクラス固有の模範的特徴を持つクロスアテンションを採用し、反復的な戦略で訓練されている。
4つの公開データセットから3つの異なる画像モダリティにまたがって、最先端のパフォーマンスを実現する。
ベトナムの高濃度乳腺マモグラムでは, 質量検出では0.7mAP, 石灰化では0.55mAPとなり, 絶対値16ポイント向上した。
また, 放射線技師が支持した, アウト・オブ・ディストリビューションチャイニーズコホートからの100個のマンモグラムの評価は, 病変検出性能の2倍の上昇を示した。
胸部X線, 血管造影では, 腫瘤検出では0.25mAP, 狭窄検出では0.37mAPを達成し, それぞれ4ポイント, 7ポイント改善した。
これらの結果は,医用画像の堅牢で汎用的な検出システムの実現に向けたアプローチの可能性を強調した。
関連論文リスト
- RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。
我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。
RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
論文 参考訳（メタデータ） (2025-03-06T17:43:03Z) - 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) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。
本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文 参考訳（メタデータ） (2022-07-20T06:49:02Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - MammoGANesis: Controlled Generation of High-Resolution Mammograms for
Radiology Education [0.0]
我々は,512×512高分解能マンモグラムを合成するために,GAN(Generative Adversarial Network)を訓練する。
結果として得られるモデルは、教師なしの高レベルの特徴の分離につながる。
両盲検で平均AUC0.54を達成し,医療関連マンモグラムの生成能力を示す。
論文 参考訳（メタデータ） (2020-10-11T06:47:56Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z)
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。