論文の概要: Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets

• arxiv url: http://arxiv.org/abs/2607.06549v1
• Date: Tue, 07 Jul 2026 17:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.615494
• Title: Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets
• Title（参考訳）: マルチサイトデータセット間のマンモグラフィーにおける石灰化分類のための教師なしドメイン適応
• Authors: Xuan Liu, Derek L. Nguyen, Emily C. Barre, Jennifer Thomas, Thomas Lynch, Jeffrey R. Marks, E. Shelley Hwang, Marc D. Ryser, Joseph Y. Lo, Lars J. Grimm,
• Abstract要約: 多地点データセット間の悪性度と良性乳房疾患の分類を改善するための石灰化分類フレームワークを提案する。 フレームワークは,(1)スタイル転送モデル(AdaINとCycleGAN)に基づいた教師なしドメイン適応モジュールを用いて,追加アノテーションなしでベンダ固有の,技術固有のトレーニングサンプルを生成する,(2)バックボーンとしてSwin Transformer V2を用いた教師なし分類モジュールで構成された。 これらの結果は、ドメイン適応がドメインシフトを減らし、多地点データセット間の石灰化分類の一般化を改善することを示唆している。
• 参考スコア（独自算出の注目度）: 3.7920076032207106
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning-based computer-aided diagnosis (CAD) systems have shown strong performance in breast cancer diagnosis, particularly for classification tasks in mammography. However, domain shifts across multi-site datasets remain a challenge, especially when models are applied to unseen domains. In this work, we proposed a calcification classification framework to improve malignant versus benign breast disease classification across multi-site mammography datasets. The framework consisted of two components: (1) an unsupervised domain adaptation module based on style transfer models (AdaIN and CycleGAN) to generate vendor-specific and technique-specific training samples without additional annotations, and (2) a supervised classification module using Swin Transformer V2 as the backbone. We evaluated the proposed method on three datasets: cross-validation on OPTIMAM (National Health Service, United Kingdom; n=2994), followed by external validation on EMBED (Emory University; n=125), and Duke Calcification Dataset v1 (n=788). These datasets cover multiple vendors and include both full-field digital mammography and synthetic 2D images derived from digital breast tomosynthesis. The proposed framework improved cross-site performance for both EMBED (AUC 0.68 to 0.72) and the Duke Calcification Dataset (AUC 0.68 to 0.73). These findings indicate that domain adaptation can reduce domain shifts and improve the generalization for calcification classification across multi-site datasets.
• Abstract（参考訳）: 深層学習に基づくコンピュータ支援診断システム(CAD)は乳がん診断,特にマンモグラフィにおける分類タスクにおいて高い性能を示した。 しかし、特に目に見えないドメインにモデルを適用する場合、マルチサイトデータセット間のドメインシフトは依然として課題である。 本研究では,マルチサイトマンモグラフィーデータセットの悪性度と良性乳房疾患の分類を改善するための石灰化分類フレームワークを提案する。 フレームワークは,(1)スタイル転送モデル(AdaINとCycleGAN)に基づいた教師なしドメイン適応モジュールを用いて,追加アノテーションなしでベンダ固有の,技術固有のトレーニングサンプルを生成する,(2)バックボーンとしてSwin Transformer V2を用いた教師なし分類モジュールで構成された。 OPTIMAM (National Health Service, n=2994), EMBED (Emory University; n=125), Duke Calcification Dataset v1 (n=788。 これらのデータセットは複数のベンダーをカバーし、フルフィールドのデジタルマンモグラフィーとデジタル乳房トモシンセシスから派生した合成2D画像の両方を含んでいる。 提案したフレームワークは、EMBED (AUC 0.68 to 0.72) と Duke Calcification Dataset (AUC 0.68 to 0.73) の両方のクロスサイト性能を改善した。 これらの結果は、ドメイン適応がドメインシフトを減らし、多地点データセット間の石灰化分類の一般化を改善することを示唆している。

関連論文リスト

• Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation [0.31571255367331746]
  乳癌の非定型的ミトーシスデータセット(AMi-Br)を構築した。 本研究では,自動非定型ミトティックフィギュア(AMF)分類における深層学習手法の比較を行った。 ドメイン内AMi-Brとドメイン外AtNorm-BrとAtNorM-MDでは,それぞれ0.8135,0.7788,0.7723のバランス精度が得られた。
  論文  参考訳（メタデータ） (2025-06-26T16:30:42Z)
• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Sharing Generative Models Instead of Private Data: A Simulation Study on Mammography Patch Classification [5.431631427493169]
  ディープラーニングに基づくコンピュータ支援検出システムは、乳がんの治癒率と死亡率を改善する有望な可能性を示している。 多くの臨床センターは、そのようなモデルを訓練するために利用可能なデータの量と不均一性に制限されている。 実際の患者データの代わりに、センター間で訓練された生成モデルを共有することを提案する。
  論文  参考訳（メタデータ） (2022-03-08T19:37:08Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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。