論文の概要: Mask-Guided Multi-Channel SwinUNETR Framework for Robust MRI Classification

• arxiv url: http://arxiv.org/abs/2508.20621v1
• Date: Thu, 28 Aug 2025 10:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.32836
• Title: Mask-Guided Multi-Channel SwinUNETR Framework for Robust MRI Classification
• Title（参考訳）: マスクガイドによるロバストMRI分類のためのマルチチャネルSwinUNETRフレームワーク
• Authors: Smriti Joshi, Lidia Garrucho, Richard Osuala, Oliver Diaz, Karim Lekadir,
• Abstract要約: ODELIAコンソーシアムは、乳がんの診断と分類のためのAIベースのソリューションを育成する挑戦を組織した。 データセットには、6つの欧州センターから511の研究が含まれ、1.5Tと3Tの複数のベンダーから取得された。 本研究では,乳房領域マスキング,広範なデータ拡張,アンサンブル学習を取り入れたSwinUNETRベースのディープラーニングフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 1.2545070841185901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is one of the leading causes of cancer-related mortality in women, and early detection is essential for improving outcomes. Magnetic resonance imaging (MRI) is a highly sensitive tool for breast cancer detection, particularly in women at high risk or with dense breast tissue, where mammography is less effective. The ODELIA consortium organized a multi-center challenge to foster AI-based solutions for breast cancer diagnosis and classification. The dataset included 511 studies from six European centers, acquired on scanners from multiple vendors at both 1.5 T and 3 T. Each study was labeled for the left and right breast as no lesion, benign lesion, or malignant lesion. We developed a SwinUNETR-based deep learning framework that incorporates breast region masking, extensive data augmentation, and ensemble learning to improve robustness and generalizability. Our method achieved second place on the challenge leaderboard, highlighting its potential to support clinical breast MRI interpretation. We publicly share our codebase at https://github.com/smriti-joshi/bcnaim-odelia-challenge.git.
• Abstract（参考訳）: 乳癌は、女性のがん関連死亡の原因の1つであり、早期発見は結果の改善に不可欠である。 MRI(MRI)は乳がんの検出に非常に敏感なツールであり、特に乳がんのリスクが高い女性や乳腺の密度が高い女性では、マンモグラフィーは効果が低い。 ODELIAコンソーシアムは、乳がんの診断と分類のためのAIベースのソリューションを育成するためのマルチセンターチャレンジを組織した。 データセットには、1.5Tと3Tの両方で複数のベンダーからスキャナーで取得された6つの欧州センターから511の研究が含まれており、各研究は左右の乳房に病変、良性病変、悪性病変がないとしてラベル付けされた。 本研究では,乳房領域マスキング,広範なデータ拡張,アンサンブル学習を取り入れたSwinUNETRベースのディープラーニングフレームワークを開発した。 本手法は,臨床乳房MRIの解釈を支援する可能性を強調し,第2位にランクインした。 コードベースはhttps://github.com/smriti-joshi/bcnaim-odelia-challenge.git.comで公開しています。

関連論文リスト

• A European Multi-Center Breast Cancer MRI Dataset [32.81686559528397]
  ODELIAコンソーシアムは、MRIで乳癌を検出するAIツールの開発を支援するために、このマルチセントデータセットを一般公開した。 欧州乳房画像学会の最近のガイドラインでは、乳房の高密度組織に対する補助的スクリーニングツールとして乳房MRIを推奨している。 ODELIAコンソーシアムは、MRIで乳癌を検出するAIツールの開発を支援するために、このマルチセントデータセットを一般公開した。
  論文  参考訳（メタデータ） (2025-05-31T08:45:02Z)
• Mammo-Clustering: A Multi-views Tri-level Information Fusion Context Clustering Framework for Localization and Classification in Mammography [13.581151516877238]
  マンモグラフィー画像は通常、非常に高解像度で、病変はごく小さな領域のみを占める。 ニューラルネットワークのダウンサンプリングは、マイクロ石灰化や微妙な構造が失われることを容易に引き起こす。 本稿では,三重情報融合を用いたコンテキストクラスタリングネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-23T10:17:13Z)
• A Large Model for Non-invasive and Personalized Management of Breast Cancer from Multiparametric MRI [19.252851972152957]
  我々は,多パラメータMRI情報を統一構造内に組み込んだMOME(Mixix-of-modality-experts Model)を開発した。 MOMEは乳がんの診断における4人の放射線科医の成績と一致し、中等放射線科医より優れている。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• 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)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• 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)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Joint 2D-3D Breast Cancer Classification [22.031221319016353]
  デジタルマンモグラフィー(Digital Mammograms、DMまたは2Dマンモグラフィー)とデジタル乳房トモシンセシス(DBTまたは3Dマンモグラフィー)は、乳がんの診断・診断に使用される2種類のマンモグラフィー画像である。 乳がん分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:08:16Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。