論文の概要: Region-of-Interest Augmentation for Mammography Classification under Patient-Level Cross-Validation

• arxiv url: http://arxiv.org/abs/2509.20585v1
• Date: Wed, 24 Sep 2025 21:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.601589
• Title: Region-of-Interest Augmentation for Mammography Classification under Patient-Level Cross-Validation
• Title（参考訳）: 患者レベルクロスバリデーションによるマンモグラフィー分類における関心領域の増大
• Authors: Farbod Bigdeli, Mohsen Mohammadagha, Ali Bigdeli,
• Abstract要約: 我々は,Mini-DDSMデータセット(画像9,684枚,患者2,414枚)を再検討し,軽量な関心領域(ROI)拡張戦略を導入した。 トレーニング中、フルイメージは確率的に、事前に計算されたラベルフリーのバウンディングボックスバンクからサンプリングされたランダムROIの作物に置き換えられる。 厳密な患者レベルのクロスバリデーションで評価し,ROC-AUC,PR-AUC,トレーニング時間効率の指標を報告する。
• 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 cancer screening with mammography remains central to early detection and mortality reduction. Deep learning has shown strong potential for automating mammogram interpretation, yet limited-resolution datasets and small sample sizes continue to restrict performance. We revisit the Mini-DDSM dataset (9,684 images; 2,414 patients) and introduce a lightweight region-of-interest (ROI) augmentation strategy. During training, full images are probabilistically replaced with random ROI crops sampled from a precomputed, label-free bounding-box bank, with optional jitter to increase variability. We evaluate under strict patient-level cross-validation and report ROC-AUC, PR-AUC, and training-time efficiency metrics (throughput and GPU memory). Because ROI augmentation is training-only, inference-time cost remains unchanged. On Mini-DDSM, ROI augmentation (best: p_roi = 0.10, alpha = 0.10) yields modest average ROC-AUC gains, with performance varying across folds; PR-AUC is flat to slightly lower. These results demonstrate that simple, data-centric ROI strategies can enhance mammography classification in constrained settings without requiring additional labels or architectural modifications.
• Abstract（参考訳）: マンモグラフィーによる乳癌検診は早期発見と死亡率の低下の中心である。 深層学習はマンモグラムの解釈を自動化する強力な可能性を示しているが、限られた解像度のデータセットと小さなサンプルサイズは性能を制限し続けている。 我々は,Mini-DDSMデータセット(画像9,684枚,患者2,414枚)を再検討し,軽量な関心領域(ROI)拡張戦略を導入した。 トレーニング中、フルイメージは確率的に、事前計算されたラベルなしバウンディングボックスバンクからサンプリングされたランダムROIの作物に置き換えられ、可変性を高めるためにオプションジッタが使用される。 厳密な患者レベルのクロスバリデーションで評価し,ROC-AUC,PR-AUC,トレーニング時間効率指標(スループットとGPUメモリ)を報告する。 ROIの増大はトレーニングのみであるため、推論時間のコストは変わらない。 Mini-DDSMでは、ROI増大(p_roi = 0.10, alpha = 0.10)により、最小平均のROC-AUCゲインが得られ、性能は折り畳みによって異なる。 これらの結果から,データ中心のROI戦略は,付加ラベルやアーキテクチャの変更を必要とせずに,制約された条件下でのマンモグラフィ分類を向上できることが示された。

関連論文リスト

• Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection [4.123522672804104]
  高分解能マイクロ超音波は、リアルタイム前立腺がん検出において有望であることを示す。 深層学習は、超音波に反映された複雑な組織特性を学習するための顕著なツールである。 データ分布の変化により,異なる臨床センターのデータに適用した場合,モデルの性能が低下することを示す。
  論文  参考訳（メタデータ） (2024-07-17T16:20:10Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Transformer with Selective Shuffled Position Embedding and Key-Patch Exchange Strategy for Early Detection of Knee Osteoarthritis [7.656764569447645]
  膝骨関節炎(KOA)は、高齢者の運動に深刻な影響を与える筋骨格障害である。 不十分な医療データは、データラベリングに伴う高コストのため、モデルを効果的に訓練する上で重要な障害となる。 本稿では,従来のSelective Shuffled Position Embedding (SSPE) とキーパッチ交換戦略を用いたビジョントランスフォーマー(ViT)モデルに基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-17T15:26:42Z)
• TRUSformer: Improving Prostate Cancer Detection from Micro-Ultrasound Using Attention and Self-Supervision [7.503600085603685]
  本研究の目的は,複数スケールのROIスケールと生検コアスケールのアプローチによるがん検出の改善である。 我々のモデルはROIスケールのみのモデルと比較して一貫した、実質的なパフォーマンス改善を示している。
  論文  参考訳（メタデータ） (2023-03-03T18:12:46Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。