Fugu-MT 論文翻訳(概要): Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis

論文の概要: Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis

arxiv url: http://arxiv.org/abs/2605.25518v1
Date: Mon, 25 May 2026 07:20:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:19.43903
Title: Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis
Title（参考訳）: 放射線技師による乳房超音波診断のためのクロスステージ注意マルチエキスパートネットワーク
Authors: Xinyang Zhai, Chong Yang, Ruizhi Zhang,
Abstract要約: 本稿では,CSA-MoE-Net(Cross-Stage Attention-of-Experts Network)を提案する。 Cross-Stage Attention-enhanced ResNet-18をバックボーンとして採用し、Cross-Stage Attentionモジュールがマルチレベル機能を適応的に再調整する。 2,129枚の胸部超音波画像のバランスの取れたデータセットの実験では、平均20回の独立ランで96.33%の精度、94.09%の精度、98.53%のリコール、96.25%のF1スコアを達成した。
参考スコア（独自算出の注目度）: 6.727825549527392
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast ultrasound imaging is an important noninvasive method for early breast cancer diagnosis, but automatic benign/malignant classification remains challenging due to tumor heterogeneity, blurred boundaries, and data imbalance. To improve feature representation and classification accuracy, this paper proposes the Cross-Stage Attention Mixture-of-Experts Network (CSA-MoE-Net). It adopts a Cross-Stage Attention-enhanced ResNet-18 as the backbone, in which the Cross-Stage Attention module adaptively recalibrates multi-level features, thereby enhancing key tumor features and suppressing redundancy. A three-branch Mixture of Experts (MoE) Block learns complementary features from the Whole Tumor Image, Tumor Core, and Boundary, and an Adaptive Gating Network fuses them to capture morphological, textural, and contextual information. The fused features are denoted as Fused Expert Feature (FEF) in the architecture. Experiments on a balanced dataset of 2,129 breast ultrasound images show that, averaged over 20 independent runs, the model achieves an accuracy of 96.33\%, precision of 94.09\%, recall of 98.53\%, F1-score of 96.25\%, and AUC of 99.50\%. Compared to the baseline ResNet-18, these metrics improve by 3.01, 0.70, 5.37, 2.98, and 5.42 percentage points, respectively. The proposed mechanism requires no invasive modification and can be seamlessly embedded into VGG-16, DenseNet-121, etc., yielding stable performance gains, thus providing reliable support for computer-aided diagnosis.
Abstract（参考訳）: 乳房超音波検査は早期乳癌の診断において重要な非侵襲的方法であるが,腫瘍の均一性,曖昧な境界,データ不均衡などにより,良性・悪性の自動分類は依然として困難である。本稿では,CSA-MoE-Net(Cross-Stage Attention-of-Experts Network)を提案する。 Cross-Stage Attention-enhanced ResNet-18をバックボーンとして採用し、Cross-Stage Attentionモジュールは多段階の特徴を適応的に再調整し、主要な腫瘍の特徴を増強し、冗長性を抑える。 3ブランチのMixture of Experts(MoE)ブロックは、全体腫瘍画像、腫瘍コア、境界から補完的な特徴を学習し、Adaptive Gating Networkはそれらを融合して形態、テクスチャ、コンテキスト情報をキャプチャする。融合した機能は、アーキテクチャにおいてFused Expert Feature (FEF) と表記される。 2,129枚の胸部超音波画像のバランスの取れたデータセットの実験では、平均20回の独立ランで96.33\%、精度94.09\%、リコール98.53\%、F1スコア96.25\%、AUC99.50\%を達成した。ベースラインのResNet-18と比較して、これらの指標はそれぞれ3.01、0.70、5.37、2.98、および5.42ポイント改善している。提案機構は侵襲的な修正を必要とせず、VGG-16やDenseNet-121などにシームレスに埋め込み、安定した性能向上を実現し、コンピュータ支援診断への信頼性の高いサポートを提供する。

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)
HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
論文参考訳（メタデータ） (2025-07-15T13:56:37Z)
DCAT: Dual Cross-Attention Fusion for Disease Classification in Radiological Images with Uncertainty Estimation [0.0]
本稿では,医用画像解析のための新しい二重対向核融合モデルを提案する。機能統合と解釈可能性における重要な課題に対処する。提案されたモデルはAUCの99.75%、100%、99.93%、98.69%、AUPRの99.81%、100%、99.97%、96.36%をそれぞれコビッド19、結核、肺炎胸部X線画像、網膜CT画像で達成した。
論文参考訳（メタデータ） (2025-03-14T20:28:20Z)
Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
乳房病変の分類・分類のための新しいDeep Learning(DL)フレームワークを提案する。本稿では,PMAD-LinkNetセグメンテーションフレームワークの高精度マッピング機構(PMM)を提案する。また、コンポーネント固有の特徴拡張モジュール (CSFEM) を導入し、コンポーネント固有の特徴強化分類器 (CSFEC-Net) を提案する。
論文参考訳（メタデータ） (2024-07-03T06:40:26Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
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)
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)
A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。放射線学的特徴の再現性と再配置を評価した。
論文参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。