Fugu-MT 論文翻訳(概要): DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis

論文の概要: DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis

arxiv url: http://arxiv.org/abs/2512.13608v1
Date: Mon, 15 Dec 2025 18:03:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-16 17:54:56.792373
Title: DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis
Title（参考訳）: DBT-DINO:Digital Breast Tomo synthesisの基盤モデルに基づく分析を目指して
Authors: Felix J. Dorfner, Manon A. Dorster, Ryan Connolly, Oscar Gentilhomme, Edward Gibbs, Steven Graham, Seth Wander, Thomas Schultz, Manisha Bahl, Dania Daye, Albert E. Kim, Christopher P. Bridge,
Abstract要約: 基礎モデルは医用画像において有望であるが、3次元画像のモダリティについては未検討のままである。現在、乳がん検診に使われているが、Digital Breast Tomo synthesis (DBT) の基礎モデルは存在しない。前例のない大きさのデータセットを用いてDense-Dinoを開発した。
参考スコア（独自算出の注目度）: 0.21779971965303613
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Foundation models have shown promise in medical imaging but remain underexplored for three-dimensional imaging modalities. No foundation model currently exists for Digital Breast Tomosynthesis (DBT), despite its use for breast cancer screening. To develop and evaluate a foundation model for DBT (DBT-DINO) across multiple clinical tasks and assess the impact of domain-specific pre-training. Self-supervised pre-training was performed using the DINOv2 methodology on over 25 million 2D slices from 487,975 DBT volumes from 27,990 patients. Three downstream tasks were evaluated: (1) breast density classification using 5,000 screening exams; (2) 5-year risk of developing breast cancer using 106,417 screening exams; and (3) lesion detection using 393 annotated volumes. For breast density classification, DBT-DINO achieved an accuracy of 0.79 (95\% CI: 0.76--0.81), outperforming both the MetaAI DINOv2 baseline (0.73, 95\% CI: 0.70--0.76, p<.001) and DenseNet-121 (0.74, 95\% CI: 0.71--0.76, p<.001). For 5-year breast cancer risk prediction, DBT-DINO achieved an AUROC of 0.78 (95\% CI: 0.76--0.80) compared to DINOv2's 0.76 (95\% CI: 0.74--0.78, p=.57). For lesion detection, DINOv2 achieved a higher average sensitivity of 0.67 (95\% CI: 0.60--0.74) compared to DBT-DINO with 0.62 (95\% CI: 0.53--0.71, p=.60). DBT-DINO demonstrated better performance on cancerous lesions specifically with a detection rate of 78.8\% compared to Dinov2's 77.3\%. Using a dataset of unprecedented size, we developed DBT-DINO, the first foundation model for DBT. DBT-DINO demonstrated strong performance on breast density classification and cancer risk prediction. However, domain-specific pre-training showed variable benefits on the detection task, with ImageNet baseline outperforming DBT-DINO on general lesion detection, indicating that localized detection tasks require further methodological development.
Abstract（参考訳）: 基礎モデルは医用画像において有望であるが、3次元画像のモダリティについては未検討のままである。現在、乳がん検診に使われているが、Digital Breast Tomo synthesis (DBT) の基礎モデルは存在しない。複数の臨床タスクにわたってDBT(DBT-DINO)の基礎モデルを開発し、評価し、ドメイン固有の事前トレーニングの影響を評価する。患者27,990人の487,975 DBTボリュームから2500万個の2DスライスをDINOv2法を用いて,自己指導型プレトレーニングを行った。その結果,(1)検診5000件,(2)検診106,417件による乳がん発症5年リスク,(3)注記393件による病変検出の3つの課題が評価された。乳腺密度分類では、DBT-DINOは、MetaAI DINOv2ベースライン (0.73, 95\% CI: 0.70--0.76, p<.001) とDenseNet-121 (0.74, 95\% CI: 0.71--0.76, p<.001) の両方を上回り、0.79 (95-% CI: 0.76-0.81) の精度を達成した。 5年間の乳がんリスク予測では、DBT-DINOはDINOv2の0.76 (95\% CI: 0.74-0.78, p=.57)と比較すると0.78 (95\% CI: 0.76-0.80)のAUROCを達成した。病変検出では、DBT-DINOの0.62 (95\% CI: 0.53--0.71, p=.60)と比較すると、DINOv2の平均感度は0.67 (95\% CI: 0.60-0.74) であった。 DBT-DINOは、Dirnov2の77.3\%と比較して、特に78.8\%の検出率でがん病変に対して優れた性能を示した。前例のない大きさのデータセットを用いて,DBTの基盤モデルであるDBT-DINOを開発した。 DBT-DINOは乳房密度分類と癌リスク予測に強い効果を示した。しかし、ドメイン固有の事前トレーニングは、検出タスクに対して可変的な利点を示し、ImageNetベースラインは一般的な病変検出においてDBT-DINOよりも優れており、局所的な検出タスクにはさらなる方法論的開発が必要であることを示している。

関連論文リスト

Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文参考訳（メタデータ） (2025-11-21T21:50:34Z)
A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文参考訳（メタデータ） (2025-08-19T14:41:22Z)
Subgroup Performance of a Commercial Digital Breast Tomosynthesis Model for Breast Cancer Detection [5.089670339445636]
本研究では,163,449検診大振り返りコホートにおけるLunit INSIGHTモデルの粒度評価を行った。成績は人口統計学的に良好であったが,非浸潤性癌では有意に低い成績を示した。
論文参考訳（メタデータ） (2025-03-17T17:17:36Z)
Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
論文参考訳（メタデータ） (2024-10-28T17:54:29Z)
Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文参考訳（メタデータ） (2024-10-18T12:37:51Z)
Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文参考訳（メタデータ） (2024-08-30T08:57:04Z)
AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文参考訳（メタデータ） (2024-07-02T16:44:00Z)
Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。診断成績は臨床医の成績と比較した。臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文参考訳（メタデータ） (2023-02-02T08:45:17Z)
Predicting Risk of Developing Diabetic Retinopathy using Deep Learning [6.200560025035929]
糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
論文参考訳（メタデータ） (2020-08-10T19:07:22Z)

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。