論文の概要: A Green Solution for Breast Region Segmentation Using Deep Active Learning

• arxiv url: http://arxiv.org/abs/2601.02538v1
• Date: Mon, 05 Jan 2026 20:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.720105
• Title: A Green Solution for Breast Region Segmentation Using Deep Active Learning
• Title（参考訳）: 深層学習を用いた乳腺領域分割のためのグリーンソリューション
• Authors: Sam Narimani, Solveig Roth Hoff, Kathinka Dæhli Kurz, Kjell-Inge Gjesdal, Jürgen Geisler, Endre Grøvik,
• Abstract要約: 本研究は,BRS(Deep Active Learning on Breast Region)におけるサンプル戦略の選択に焦点をあてる。 このプロセスでは,患者の位置決めと乳房サイズが重要な選択基準とされた。 最寄りのポイント戦略は、最も低い炭素フットプリントを30%と40%のデータ比率で継続的に達成した。
• 参考スコア（独自算出の注目度）: 0.18472148461613158
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose: Annotation of medical breast images is an essential step toward better diagnostic but a time consuming task. This research aims to focus on different selecting sample strategies within deep active learning on Breast Region Segmentation (BRS) to lessen computational cost of training and effective use of resources. Methods: The Stavanger breast MRI dataset containing 59 patients was used in this study, with FCN-ResNet50 adopted as a sustainable deep learning (DL) model. A novel sample selection approach based on Breast Anatomy Geometry (BAG) analysis was introduced to group data with similar informative features for DL. Patient positioning and Breast Size were considered the key selection criteria in this process. Four selection strategies including Random Selection, Nearest Point, Breast Size, and a hybrid of all three strategies were evaluated using an active learning framework. Four training data proportions of 10%, 20%, 30%, and 40% were used for model training, with the remaining data reserved for testing. Model performance was assessed using Dice score, Intersection over Union, precision, and recall, along with 5-fold cross-validation to enhance generalizability. Results: Increasing the training data proportion from 10% to 40% improved segmentation performance for nearly all strategies, except for Random Selection. The Nearest Point strategy consistently achieved the lowest carbon footprint at 30% and 40% data proportions. Overall, combining the Nearest Point strategy with 30% of the training data provided the best balance between segmentation performance, efficiency, and environmental sustainability. Keywords: Deep Active Learning, Breast Region Segmentation, Human-center analysis
• Abstract（参考訳）: 目的: 医用乳房画像の注釈は, 診断の質を高めるための重要なステップであるが, 時間を要する課題である。 本研究の目的は,BRS(Breast Region Segmentation)における深層学習におけるサンプル戦略の選択に焦点をあてることである。 方法: 持続的深層学習(DL)モデルとしてFCN-ResNet50を用いて, 59例のStavanger乳房MRIデータセットを用いた。 DLに類似した情報的特徴を持つグループデータに対して,BAG分析に基づく新しいサンプル選択手法を導入した。 このプロセスでは,患者の位置決めと乳房サイズが重要な選択基準とされた。 ランダム選択,Nearest Point,Breast Size,および3つの戦略のハイブリッドを含む4つの選択戦略を,アクティブラーニングフレームワークを用いて評価した。 4つのトレーニングデータの割合10%、20%、30%、40%がモデルトレーニングに使われ、残りのデータはテスト用に予約された。 モデル性能をDiceスコア,Intersection over Union,precision,recall,および5倍のクロスバリデーションを用いて評価し,一般化性を高めた。 結果: ランダム選択を除くほぼすべての戦略において,トレーニングデータの比率が10%から40%に向上した。 最寄りのポイント戦略は、最も低い炭素フットプリントを30%と40%のデータ比率で継続的に達成した。 全体として、Nearest Point戦略とトレーニングデータの30%を組み合わせることで、セグメンテーション性能、効率、環境持続可能性の最良のバランスが得られた。 キーワード:Deep Active Learning, Breast Region Segmentation, Human-center Analysis

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Sustainable Deep Learning-Based Breast Lesion Segmentation: Impact of Breast Region Segmentation on Performance [0.0]
  本研究の目的は,乳腺DCE-MRIにおける深層学習に基づく乳房病変の分節(BLS)に対する乳房領域分節(BRS)の影響を明らかにすることである。
  論文  参考訳（メタデータ） (2025-03-19T21:42:33Z)
• Deep Learning Approach for Enhancing Oral Squamous Cell Carcinoma with LIME Explainable AI Technique [0.0]
  データセットは5192イメージ(2435ノーマルと2511 OSCC)で構成されている。 本研究では,ResNet101,DenseNet121,VGG16,EfficientnetB3の4つのディープラーニングアーキテクチャを選択した。 効率の良いNetB3は98.33%とF1スコア(0.9844)で最高であり、他のモデルと比べて計算能力は著しく低下した。
  論文  参考訳（メタデータ） (2024-11-21T14:53:59Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• Training Strategies for Improved Lip-reading [61.661446956793604]
  本研究では,最先端データ拡張手法,時間モデル,その他のトレーニング戦略の性能について検討する。 すべての手法を組み合わせると、分類精度は93.4%となり、現在の最先端技術よりも4.6%向上した。 各種学習手法の誤り解析により, 難解な単語の分類精度を高めることにより, 性能が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-03T09:38:11Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation [28.437504408773147]
  肺と感染症のセグメンテーションのための3つのベンチマークを構築した。 異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。 平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
  論文  参考訳（メタデータ） (2020-04-27T01:31:48Z)

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。