論文の概要: LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol

• arxiv url: http://arxiv.org/abs/2603.14644v2
• Date: Tue, 17 Mar 2026 16:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 15:30:47.463347
• Title: LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol
• Title（参考訳）: LUMINA:エネルギー調和プロトコルを用いたマルチベンダーマンモグラフィベンチマーク
• Authors: Hongyi Pan, Gorkem Durak, Halil Ertugrul Aktas, Andrea M. Bejar, Baver Tutun, Emre Uysal, Ezgi Bulbul, Mehmet Fatih Dogan, Berrin Erok, Berna Akkus Yildirim, Sukru Mehmet Erturk, Ulas Bagci,
• Abstract要約: このデータセットは、病理診断されたラベル、BI-RADSアセスメント、乳腺密度アノテーションを持つ468人の患者の1824枚の画像を含んでいる。 LUMINAは6つの取得システムにまたがっており、高エネルギーと低エネルギーの撮像方式がある。 我々は,診断,BI-RADS分類,密度推定の3つの臨床的課題について,CNNとトランスフォーマーモデルをベンチマークした。
• 参考スコア（独自算出の注目度）: 9.075009508165273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Publicly available full-field digital mammography (FFDM) datasets remain limited in size, clinical annotations, and vendor diversity, hindering the development of robust models. We introduce LUMINA, a curated, multi-vendor FFDM dataset that explicitly encodes acquisition energy and vendor metadata to capture clinically relevant appearance variations often overlooked in existing benchmarks. This dataset contains 1824 images from 468 patients (960 benign, 864 malignant), with pathology-confirmed labels, BI-RADS assessments, and breast-density annotations. LUMINA spans six acquisition systems and includes both high- and low-energy imaging styles, enabling systematic analysis of vendor- and energy-induced domain shifts. To address these variations, we propose a foreground-only pixel-space alignment method (''energy harmonization'') that maps images to a low-energy reference while preserving lesion morphology. We benchmark CNN and transformer models on three clinically relevant tasks: diagnosis (benign vs. malignant), BI-RADS classification, and density estimation. Two-view models consistently outperform single-view models. EfficientNet-B0 achieves an AUC of 93.54% for diagnosis, while Swin-T achieves the best macro-AUC of 89.43% for density prediction. Harmonization improves performance across architectures and produces more localized Grad-CAM responses. Overall, LUMINA provides (1) a vendor-diverse benchmark and (2) a model-agnostic harmonization framework for reliable and deployable mammography AI.
• Abstract（参考訳）: 市販のフルフィールドデジタルマンモグラフィー(FFDM)データセットは、サイズ、臨床アノテーション、ベンダーの多様性に制限されており、堅牢なモデルの開発を妨げる。 LUMINAは、取得エネルギーとベンダーメタデータを明示的にエンコードし、既存のベンチマークで見過ごされる臨床関連外見の変化をキャプチャする、キュレートされた多ベンダFFDMデータセットである。 このデータセットには468人の患者(良性960名,悪性864名)の1824枚の画像と、病理診断ラベル、BI-RADSアセスメント、乳腺密度アノテーションが含まれている。 LUMINAは6つの取得システムにまたがり、高エネルギーと低エネルギーのイメージスタイルを備えており、ベンダーとエネルギーによるドメインシフトの体系的な分析を可能にしている。 これらの変動に対処するため, 病変形態を保存しつつ, 画像の低エネルギー基準へのマッピングを行う前景のみの画素空間アライメント法('エネルギー調和')を提案する。 我々はCNNとトランスフォーマーモデルを診断(良性対悪性)、BI-RADS分類、密度推定の3つの臨床的タスクでベンチマークした。 2ビューモデルは単ビューモデルより一貫して優れている。 効率的なNet-B0は診断に93.54%のAUCを、Swin-Tは密度予測に89.43%のAUCを達成している。 Harmonizationはアーキテクチャ全体のパフォーマンスを改善し、よりローカライズされたGrad-CAMレスポンスを生成する。 LUMINAは,(1)ベンダー間ベンチマーク,(2)信頼性およびデプロイ可能なマンモグラフィAIのためのモデルに依存しない調和フレームワークを提供する。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• Unified Supervision For Vision-Language Modeling in 3D Computed Tomography [1.4193731654133002]
  汎用視覚言語モデル(VLM)は放射線学において有望なツールとして登場し、ゼロショット機能を提供している。 診断放射線学のような高度な領域では、これらのモデルは信頼できる臨床使用に必要な識別精度を欠いていることが多い。 分類ラベルやセグメンテーションマスクにエンコードされた多種多様な監視信号を統合するボリュームVLMであるUniferumを,単一のトレーニングフレームワークに導入する。
  論文  参考訳（メタデータ） (2025-09-01T15:30:17Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• A Hybrid CNN-VSSM model for Multi-View, Multi-Task Mammography Analysis: Robust Diagnosis with Attention-Based Fusion [5.15423063632115]
  乳がんの早期かつ正確な検診は乳がん検出に不可欠である。 既存のAIアプローチは、単一ビューのインプットや単一タスクのアウトプットに注目して、不足している。 本研究では,4つの標準マンモグラフィビュー全てを処理する,新しいマルチビュー・マルチタスクハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:52:18Z)
• Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
  本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。 3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。 予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
  論文  参考訳（メタデータ） (2025-06-03T22:00:03Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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。