論文の概要: The Impact of Longitudinal Mammogram Alignment on Breast Cancer Risk Assessment

• arxiv url: http://arxiv.org/abs/2511.08328v1
• Date: Wed, 12 Nov 2025 01:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.763187
• Title: The Impact of Longitudinal Mammogram Alignment on Breast Cancer Risk Assessment
• Title（参考訳）: 縦隔マンモグラムアライメントが乳癌リスク評価に及ぼす影響
• Authors: Solveig Thrun, Stine Hansen, Zijun Sun, Nele Blum, Suaiba A. Salahuddin, Xin Wang, Kristoffer Wickstrøm, Elisabeth Wetzer, Robert Jenssen, Maik Stille, Michael Kampffmeyer,
• Abstract要約: 乳がんの早期発見には正常なマンモグラフィースクリーニングが不可欠である。 近年, マンモグラムの経時的情報を取り込む手法が増えている。 相違は組織の変化を曖昧にし、モデルのパフォーマンスを低下させる。
• 参考スコア（独自算出の注目度）: 21.17454354048842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regular mammography screening is crucial for early breast cancer detection. By leveraging deep learning-based risk models, screening intervals can be personalized, especially for high-risk individuals. While recent methods increasingly incorporate longitudinal information from prior mammograms, accurate spatial alignment across time points remains a key challenge. Misalignment can obscure meaningful tissue changes and degrade model performance. In this study, we provide insights into various alignment strategies, image-based registration, feature-level (representation space) alignment with and without regularization, and implicit alignment methods, for their effectiveness in longitudinal deep learning-based risk modeling. Using two large-scale mammography datasets, we assess each method across key metrics, including predictive accuracy, precision, recall, and deformation field quality. Our results show that image-based registration consistently outperforms the more recently favored feature-based and implicit approaches across all metrics, enabling more accurate, temporally consistent predictions and generating smooth, anatomically plausible deformation fields. Although regularizing the deformation field improves deformation quality, it reduces the risk prediction performance of feature-level alignment. Applying image-based deformation fields within the feature space yields the best risk prediction performance. These findings underscore the importance of image-based deformation fields for spatial alignment in longitudinal risk modeling, offering improved prediction accuracy and robustness. This approach has strong potential to enhance personalized screening and enable earlier interventions for high-risk individuals. The code is available at https://github.com/sot176/Mammogram_Alignment_Study_Risk_Prediction.git, allowing full reproducibility of the results.
• Abstract（参考訳）: 乳がんの早期発見には正常なマンモグラフィースクリーニングが不可欠である。 ディープラーニングベースのリスクモデルを活用することで、特にリスクの高い個人に対して、スクリーニング間隔をパーソナライズすることができる。 近年,従来のマンモグラムからの縦方向の情報を組み込む手法が増えているが,時間点間の正確な空間的アライメントは依然として重要な課題である。 相違は組織の変化を曖昧にし、モデルのパフォーマンスを低下させる。 本研究では,様々なアライメント戦略,イメージベース登録,正規化のない特徴レベル(表現空間)アライメント,および暗黙アライメント手法について,縦方向の深層学習に基づくリスクモデリングの有効性について考察する。 2つの大規模なマンモグラフィーデータセットを用いて、予測精度、精度、リコール、変形場の品質など、各手法を主要な指標で評価する。 以上の結果から,画像ベース登録は,より正確で時間的に一貫した予測が可能であり,スムーズで解剖学的に妥当な変形場を生成することができる。 変形場の正規化は変形品質を向上させるが、特徴レベルのアライメントのリスク予測性能を低下させる。 特徴空間内に画像ベースの変形場を適用すると、最高のリスク予測性能が得られる。 これらの結果は, 空間的アライメントのための画像ベース変形場の重要性を浮き彫りにして, 予測精度とロバスト性を改善した。 このアプローチは、パーソナライズされたスクリーニングを強化し、リスクの高い個人に対する早期介入を可能にする可能性が強い。 コードはhttps://github.com/sot176/Mammogram_Alignment_Study_Risk_Prediction.gitで公開されている。

関連論文リスト

• Reconsidering Explicit Longitudinal Mammography Alignment for Enhanced Breast Cancer Risk Prediction [14.902784101370868]
  ディープラーニングに基づくリスク予測手法は、リスクの高いグループに対するスクリーニング間隔を調整することに関心を喚起している。 最近のアプローチでは、スクリーニングの時間的側面を活用して、経時的に乳房組織の変化を追跡する。 この2つの主要な戦略は、変形可能な登録による明示的な機能アライメントと、トランスフォーマーのようなテクニックを用いた暗黙的な学習アライメントである。
  論文  参考訳（メタデータ） (2025-06-24T06:46:29Z)
• Towards Better Cephalometric Landmark Detection with Diffusion Data Generation [43.381003080365254]
  本研究では,人間の介入を伴わない,多様な頭部X線画像とそれに対応するアノテーションを生成できる革新的なデータ生成手法を開発した。 詳細なプロンプトを活用することで,異なるスタイルや属性を制御できるように生成プロセスを改善する。 生成したデータを使用しない手法と比較して,SDR(Success Detection Rate)が6.5%向上し,82.2%が顕著となった。
  論文  参考訳（メタデータ） (2025-05-09T13:50:27Z)
• Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
  緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。 本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:31:47Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• Facial Anatomical Landmark Detection using Regularized Transfer Learning with Application to Fetal Alcohol Syndrome Recognition [24.27777060287004]
  出生前アルコール曝露による胎児アルコール症候群(FAS)は、一連の頭蓋顔面異常を引き起こす可能性がある。 解剖学的ランドマーク検出は,FAS関連顔面異常の検出に重要である。 自然画像における顔のランドマーク検出のために設計された現在のディープラーニングに基づく熱マップ回帰法は、大きなデータセットが利用できることを前提としている。 我々は,大規模な顔認識データセットから学習したネットワークの知識を活用する,新たな正規化トランスファー学習手法を開発した。
  論文  参考訳（メタデータ） (2021-09-12T11:05:06Z)
• Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach [0.0]
  本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
  論文  参考訳（メタデータ） (2021-02-02T12:36:18Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。