論文の概要: Proof of Concept for Mammography Classification with Enhanced Compactness and Separability Modules

• arxiv url: http://arxiv.org/abs/2512.06575v1
• Date: Sat, 06 Dec 2025 21:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.415691
• Title: Proof of Concept for Mammography Classification with Enhanced Compactness and Separability Modules
• Title（参考訳）: 小型化・分離性モジュールを用いたマンモグラフィー分類の概念の証明
• Authors: Fariza Dahes,
• Abstract要約: 本研究では,最近の医用画像分類手法の検証と拡張について述べる。 Inbreast、MIAS、InceptionMのマンモグラフィコレクションを統合したKaggleデータセットを使用して、ベースラインのCNN、ConvNeXt Tiny、InceptionV3のバックボーンをGAGMとSEモジュールで強化したものだ。 その結果, GAGMとSEが特徴識別性を高め, 偽陰性を低下させる効果が確認された。 しかし,本実験では,マンモグラフィの分類条件下において,特徴平滑化損失は測定不可能な改善を得られなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a validation and extension of a recent methodological framework for medical image classification. While an improved ConvNeXt Tiny architecture, integrating Global Average and Max Pooling fusion (GAGM), lightweight channel attention (SEVector), and Feature Smoothing Loss (FSL), demonstrated promising results on Alzheimer MRI under CPU friendly conditions, our work investigates its transposability to mammography classification. Using a Kaggle dataset that consolidates INbreast, MIAS, and DDSM mammography collections, we compare a baseline CNN, ConvNeXt Tiny, and InceptionV3 backbones enriched with GAGM and SEVector modules. Results confirm the effectiveness of GAGM and SEVector in enhancing feature discriminability and reducing false negatives, particularly for malignant cases. In our experiments, however, the Feature Smoothing Loss did not yield measurable improvements under mammography classification conditions, suggesting that its effectiveness may depend on specific architectural and computational assumptions. Beyond validation, our contribution extends the original framework through multi metric evaluation (macro F1, per class recall variance, ROC/AUC), feature interpretability analysis (Grad CAM), and the development of an interactive dashboard for clinical exploration. As a perspective, we highlight the need to explore alternative approaches to improve intra class compactness and inter class separability, with the specific goal of enhancing the distinction between malignant and benign cases in mammography classification.
• Abstract（参考訳）: 本研究では,最近の医用画像分類手法の検証と拡張について述べる。 ConvNeXt Tinyアーキテクチャの改良,Global AverageとMax Pooling fusion(GAGM)の統合,軽量チャネルアテンション(SEVector)とFeature Smoothing Loss(FSL)を統合した。 Inbreast、MIAS、DDSMのマンモグラフィーコレクションを統合したKaggleデータセットを使用して、ベースラインのCNN、ConvNeXt Tiny、InceptionV3のバックボーンをGAGMとSEVectorモジュールで強化したものと比較する。 その結果, GAGMとSEVectorは, 特徴識別性の向上と偽陰性の低下, 特に悪性症例において有効であることが確認された。 しかし,本実験では,マンモグラフィの分類条件下において,特徴平滑化損失は測定可能な改善を得られず,その有効性は特定のアーキテクチャや計算上の仮定に依存する可能性が示唆された。 バリデーション以外にも、マルチメトリック評価(マクロF1、クラス毎のリコール分散、ROC/AUC)、機能解釈可能性分析(Grad CAM)、臨床検査のためのインタラクティブダッシュボードの開発を通じて、オリジナルのフレームワークを拡張しています。 マンモグラフィー分類における悪性症例と良性症例の区別を高めることを目的として, クラス内コンパクト性とクラス間分離性を改善するための代替アプローチを検討することの必要性を強調した。

関連論文リスト

• UAM: A Unified Attention-Mamba Backbone of Multimodal Framework for Tumor Cell Classification [1.529342790344802]
  放射線学的特徴を用いた細胞レベル分類のためのUnified Attention-Mambaバックボーンを提案する。 細胞レベルでの分類と画像分割を共同で行うマルチモーダルなUAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T16:18:55Z)
• Towards Explainable Skin Cancer Classification: A Dual-Network Attention Model with Lesion Segmentation and Clinical Metadata Fusion [1.503974529275767]
  本稿では,皮膚病変の分類を精度と解釈性の両方の観点から向上させる,二重エンコーダアテンションに基づくフレームワークを提案する。 Dual Attention Gates (DAG) と Atrous Space Pyramid Pooling (ASPP) を用いた新しいDeep-UNetアーキテクチャが最初に採用されている。 我々は,HAM10000データセットとISIC 2018と2019の課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-20T17:33:51Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
  我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。 データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。