論文の概要: DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images

• arxiv url: http://arxiv.org/abs/2606.06537v1
• Date: Wed, 03 Jun 2026 23:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.355329
• Title: DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images
• Title（参考訳）: DSU-Net:マンモグラフィー画像における乳房病変分割のための注意力増強されたDense Skip U-Net
• Authors: Reza Bozorgpour, Mohammadreza Soltany Sadrabadi,
• Abstract要約: 本研究は,マンモグラフィ画像における乳房病変自動分割のための注目度向上型Skip U-NetアーキテクチャであるDSU-Netを提案する。 このフレームワークは、密集したスキップ接続とアテンション機構を統合し、特徴伝播を改善し、空間情報を保存し、病変境界線を延長する。 提案したモデルはDice similarity Coefficientの0.9421、Intersection over Unionの0.8905、精度0.9711、AUC-ROCの0.9878を検証データセット上で達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast cancer remains one of the leading causes of cancer-related mortality among women worldwide, making early detection essential for effective treatment. Mammography is the primary screening modality; however, accurate delineation of suspicious lesions remains challenging and subject to inter-observer variability. Automated segmentation methods can assist radiologists by providing consistent and efficient lesion localization. This study presents DSU-Net, an attention-enhanced Dense Skip U-Net architecture for automated breast lesion segmentation in mammographic images. The proposed framework integrates dense skip connections and attention mechanisms to improve feature propagation, preserve spatial information, and enhance lesion boundary delineation. Experiments were conducted using the Curated Breast Imaging Subset of the Digital Database for Screening Mammography (CBIS-DDSM). To address severe foreground-background imbalance, a composite loss function combining Dice loss, focal loss, and binary cross-entropy loss was employed during training. The proposed model achieved a Dice Similarity Coefficient of 0.9421, an Intersection over Union of 0.8905, an accuracy of 0.9711, and an AUC-ROC of 0.9878 on the validation dataset. Qualitative evaluation demonstrated accurate delineation of lesions with varying sizes and morphologies, while quantitative results confirmed robust discrimination between lesion and background regions. These findings demonstrate that DSU-Net provides accurate and reliable breast lesion segmentation in mammographic images and highlights the potential of attention-guided deep learning for computer-aided breast cancer screening and diagnosis.
• Abstract（参考訳）: 乳がんは、世界中の女性のがん関連死亡の主な原因の1つであり、早期発見は効果的な治療に不可欠である。 マンモグラフィーは主要なスクリーニング法であるが, 疑わしい病変の正確な描出は困難であり, サーバ間変動が懸念される。 自動セグメンテーション法は、一貫性のある効率的な病変の局在を提供することで、放射線学者を支援することができる。 本研究は,マンモグラフィ画像における乳房病変の自動分割のための注意喚起型Dense Skip U-NetアーキテクチャであるDSU-Netを提案する。 提案フレームワークは,高密度スキップ接続とアテンション機構を統合し,特徴伝播を改善し,空間情報を保存し,病変境界線を延長する。 The Curated Breast Imaging Subset of the Digital Database for Screening Mammography (CBIS-DDSM) を用いて実験を行った。 重度前景不均衡に対処するため, トレーニング中にDice損失, 焦点損失, バイナリクロスエントロピー損失を組み合わせた複合的損失関数を用いた。 提案したモデルはDice similarity Coefficientの0.9421、Intersection over Unionの0.8905、精度0.9711、AUC-ROCの0.9878を検証データセット上で達成した。 質的評価では,大きさや形態の異なる病変の正確なデライン化が認められたが,定量的には病変と背景領域の堅牢な識別が認められた。 以上の結果から,DSU-Netはマンモグラフィ画像の精度,信頼性の高い乳腺病変のセグメンテーションを提供し,注意誘導型深層学習による検診・診断の可能性を強調した。

関連論文リスト

• 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)
• 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)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• 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)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Breast mass detection in digital mammography based on anchor-free architecture [0.4568777157687961]
  BMassDNet(Breast Mass Detection Network)と呼ばれる一段階の物体検出アーキテクチャを提案する。 BMassDNetはアンカーフリーで特徴ピラミッドに基づいており、異なる大きさの乳房の質量を検出する。 提案するBMassDNetは,現在最上位の手法よりも競合検出性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-02T07:11:16Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。