論文の概要: Analysis of Incursive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation

• arxiv url: http://arxiv.org/abs/2512.00129v1
• Date: Fri, 28 Nov 2025 08:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.083569
• Title: Analysis of Incursive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation
• Title（参考訳）: YOLO, 説明可能性, ドメイン適応を用いた乳房X線写真における乳がん発生の検討
• Authors: Jayan Adhikari, Prativa Joshi, Susish Baral,
• Abstract要約: 乳房画像からの乳がん検出のための深層学習モデルは、アウト・オブ・ディストリビューション・インプット(Out-of-Distribution input)を用いた場合、重大な信頼性上の問題がある。 本稿では,ResNet50をベースとしたOODフィルタとYOLOアーキテクチャを統合し,乳がんの正確な検出を行う包括的アプローチを開発する。 当社の戦略は,処理前の非マンモグラフィ入力を厳格に拒否するために,コサイン類似によるドメイン内ギャラリーを確立することで,ドメイン関連画像のみが検出パイプラインを供給できることを保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning models for breast cancer detection from mammographic images have significant reliability problems when presented with Out-of-Distribution (OOD) inputs such as other imaging modalities (CT, MRI, X-ray) or equipment variations, leading to unreliable detection and misdiagnosis. The current research mitigates the fundamental OOD issue through a comprehensive approach integrating ResNet50-based OOD filtering with YOLO architectures (YOLOv8, YOLOv11, YOLOv12) for accurate detection of breast cancer. Our strategy establishes an in-domain gallery via cosine similarity to rigidly reject non-mammographic inputs prior to processing, ensuring that only domain-associated images supply the detection pipeline. The OOD detection component achieves 99.77\% general accuracy with immaculate 100\% accuracy on OOD test sets, effectively eliminating irrelevant imaging modalities. ResNet50 was selected as the optimum backbone after 12 CNN architecture searches. The joint framework unites OOD robustness with high detection performance (mAP@0.5: 0.947) and enhanced interpretability through Grad-CAM visualizations. Experimental validation establishes that OOD filtering significantly improves system reliability by preventing false alarms on out-of-distribution inputs while maintaining higher detection accuracy on mammographic data. The present study offers a fundamental foundation for the deployment of reliable AI-based breast cancer detection systems in diverse clinical environments with inherent data heterogeneity.
• Abstract（参考訳）: マンモグラフィー画像からの乳がん検出のための深層学習モデルは、CT、MRI、X線などの他の画像モダリティや機器のバリエーションなどのアウト・オブ・ディストリビューション(OOD)入力を提示した場合に重大な信頼性上の問題があるため、信頼性の低い検出と誤診につながる。 現在の研究は、乳がんの正確な検出のために、ResNet50ベースのOODフィルタリングとYOLOアーキテクチャ(YOLOv8、YOLOv11、YOLOv12)を統合する包括的なアプローチを通じて、基本的なOOD問題を緩和している。 当社の戦略は,処理前の非マンモグラフィ入力を厳格に拒否するために,コサイン類似によるドメイン内ギャラリーを確立することで,ドメイン関連画像のみが検出パイプラインを供給できることを保証する。 OOD検出成分は、OODテストセット上で100倍の精度で99.77倍の一般精度を達成し、無関係な画像モダリティを効果的に排除する。 12のCNNアーキテクチャ検索の後、ResNet50が最適なバックボーンに選ばれた。 このジョイントフレームワークは,高い検出性能(mAP@0.5:0.947)とGrad-CAM視覚化による解釈性の向上を両立させる。 実験による検証により,OODフィルタリングは,マンモグラフィデータの検出精度を高く保ちながら,分布外入力の誤報を防止し,システムの信頼性を著しく向上することが確認された。 本研究は,信頼性の高いAIベースの乳がん検出システムを,本質的なデータ不均一性を有する多様な臨床環境に展開するための基礎的基盤を提供する。

関連論文リスト

• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection [2.5631347250059577]
  本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。 提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。 結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-23T14:42:50Z)
• BOOD: Boundary-based Out-Of-Distribution Data Generation [47.47757472521503]
  本稿では,境界に基づくOut-Of-Distribution Data Generation(BOOD)という新しいフレームワークを提案する。 BOODは高品質なOOD特徴を合成し、拡散モデルを用いて人間互換の外部画像を生成する。
  論文  参考訳（メタデータ） (2025-08-01T06:34:27Z)
• Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking [15.899277292315995]
  医用画像における深層学習モデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 この研究は、クラスアクティベーションマップ(CAM)が、通常、モデルの予測に非常に関係のある領域を強調しているという観察に動機づけられている。 マルチエクイットCAMと特徴マスキングを活用した,新しい教師なしOOD検出フレームワークであるMulti-Exit Class Activation Map (MECAM)を導入する。
  論文  参考訳（メタデータ） (2025-05-13T14:18:58Z)
• Enhancing Reconstruction-Based Out-of-Distribution Detection in Brain MRI with Model and Metric Ensembles [2.6123133623254193]
  アウト・オブ・ディストリビューション(OOD)検出は、自動化された医用画像分析システムを安全に展開するために重要である。 脳MRIにおける人工臓器の教師なし検出における再構成に基づくオートエンコーダの有効性について検討した。
  論文  参考訳（メタデータ） (2024-12-23T13:58:52Z)
• Unsupervised Hybrid framework for ANomaly Detection (HAND) -- applied to Screening Mammogram [5.387300498478745]
  マンモグラムスクリーニングに使用されるAIモデルの一般化を促進するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 我々は,大規模デジタル検診マンモグラムからOODを検出する新しいバックボーン,HANDを開発した。 Hand Pipelineは、外部スクリーニングマンモグラムにおけるドメイン固有の品質チェックのための、自動化された効率的な計算ソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-17T20:12:50Z)
• AUTO: Adaptive Outlier Optimization for Test-Time OOD Detection [79.51071170042972]
  Out-of-Distribution (OOD) 検出は、任意のトレーニングインディストリビューション(ID)クラスに該当しないテストサンプルを検出することを目的としている。 データ安全性とプライバシにより、さまざまなシナリオに対して、事前にタスク固有の外れ値の収集が不可能になる。 テスト中にラベルのないデータストリームから実際のOODデータを利用することができる。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• A knee cannot have lung disease: out-of-distribution detection with in-distribution voting using the medical example of chest X-ray classification [58.720142291102135]
  この研究では、胸部X線分類モデルであるCheXnetを用いて、胸部X線14データセットをトレーニングした。 複数ラベル分類のためのOODデータを検出するために,IDV(In-distriion voting)を提案する。 ID (chest X-ray 14) と OOD データ (IRMA と ImageNet) に基づいてトレーニングした IDV アプローチは,平均で3つのデータセットにわたる 0.999 OOD 検出 AUC を達成した。
  論文  参考訳（メタデータ） (2022-08-01T18:20:36Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。