論文の概要: Visualizing the Invisible: Enhancing Radiologist Performance in Breast Mammography via Task-Driven Chromatic Encoding
- arxiv url: http://arxiv.org/abs/2602.07568v1
- Date: Sat, 07 Feb 2026 14:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.698262
- Title: Visualizing the Invisible: Enhancing Radiologist Performance in Breast Mammography via Task-Driven Chromatic Encoding
- Title（参考訳）: 可視性の可視化:タスク駆動クロマティックエンコーディングによる乳房造影における放射線検査成績の向上
- Authors: Hui Ye, Shilong Yang, Yexuan Xing, Juan Yu, Yaoqin Xie, Wei Zhang, Chulong Zhang,
- Abstract要約: 本稿では,タスク駆動型AUCEモジュールを備えたエンドツーエンドフレームワークであるMammoColorについて述べる。
内部テストセット,2つの公開データセット,3つの外部臨床コホートで評価した。
- 参考スコア（独自算出の注目度）: 8.583427676245323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose:Mammography screening is less sensitive in dense breasts, where tissue overlap and subtle findings increase perceptual difficulty. We present MammoColor, an end-to-end framework with a Task-Driven Chromatic Encoding (TDCE) module that converts single-channel mammograms into TDCE-encoded views for visual augmentation. Materials and Methods:MammoColor couples a lightweight TDCE module with a BI-RADS triage classifier and was trained end-to-end on VinDr-Mammo. Performance was evaluated on an internal test set, two public datasets (CBIS-DDSM and INBreast), and three external clinical cohorts. We also conducted a multi-reader, multi-case (MRMC) observer study with a washout period, comparing (1) grayscale-only, (2) TDCE-only, and (3) side-by-side grayscale+TDCE. Results:On VinDr-Mammo, MammoColor improved AUC from 0.7669 to 0.8461 (P=0.004). Gains were larger in dense breasts (AUC 0.749 to 0.835). In the MRMC study, TDCE-encoded images improved specificity (0.90 to 0.96; P=0.052) with comparable sensitivity. Conclusion:TDCE provides a task-optimized chromatic representation that may improve perceptual salience and reduce false-positive recalls in mammography triage.
- Abstract（参考訳）: 目的:高濃度乳房ではマンモグラフィ検診の感度が低下し,組織の重複と微妙な所見が知覚困難を増す。
本稿では,タスク駆動クロマティックエンコーディング(TDCE)モジュールを備えたエンドツーエンドフレームワークであるMammoColorについて述べる。
素材と方法:MammoColorはBI-RADSトリアージ分類器を備えた軽量TDCEモジュールを結合し、VinDr-Mammo上でエンドツーエンドにトレーニングされた。
内部試験セットと2つの公開データセット(CBIS-DDSMとINBreast)と3つの外部臨床コホートで評価した。
また,(1)グレースケールのみ,(2)TDCEのみ,(3)サイドバイサイドグレースケール+TDCEの比較を行った。
結果: VinDr-Mammoでは、MammoColorはAUCを0.7669から0.8461(P=0.004)に改善した。
肥大した乳房(AUC 0.749 - 0.835)では利得が大きくなった。
MRMCの研究では、TDCEで符号化された画像は、感度を比較して特異性(0.90から0.96; P=0.052)を改善した。
結論:TDCEは、マンモグラフィートリアージにおいて、知覚的サリエンスを改善し、偽陽性のリコールを減らすタスク最適化色表現を提供する。
関連論文リスト
- Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification [0.4083182125683813]
本研究では,病変分類と診断分類を共同で行うマルチタスク深層学習フレームワークを提案する。
提案手法では,高次元SAM特徴を軽量な畳み込みヘッドまたはUNetにインスパイアされたデコーダでデコードし,ピクセルワイドセグメンテーションを実現する。
PreCISE 2025乳房超音波データセットの実験では、クラスごとに80%のトレーニングと20%のテストに分割し、提案手法がDice similarity Coefficient (DSC)の0.887の精度と92.3%の精度を達成することを示した。
論文 参考訳（メタデータ） (2026-01-09T03:02:41Z) - SAMM2D: Scale-Aware Multi-Modal 2D Dual-Encoder for High-Sensitivity Intracrania Aneurysm Screening [0.0]
本稿では,RSNAの頭蓋内動脈瘤データセット上でAUC0.686を達成するデュアルエンコーダフレームワークであるSAMM2Dを紹介する。
以上の結果から,将来の医療画像は,より複雑な拡張パイプラインよりも,強い事前訓練の恩恵を受ける可能性が示唆された。
論文 参考訳（メタデータ） (2025-12-20T01:44:30Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。
先進的な畳み込みニューラルネットワークを4つ実装し比較した。
焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
論文 参考訳（メタデータ） (2025-07-08T21:26:33Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳（メタデータ） (2022-09-20T15:57:12Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - A completely annotated whole slide image dataset of canine breast cancer
to aid human breast cancer research [6.960375869417005]
ヒト乳癌の現在のデータセットは、スライド画像全体(WSI)の小さなサブセットに対してのみアノテーションを提供する。
MF に完全付加した CMC の 21 WSI の新たなデータセットを提案する。
我々は機械学習を用いて、未検出のMFを同定した。
論文 参考訳（メタデータ） (2020-08-24T08:06:55Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。