論文の概要: BiLoG-Net: A Bi-Context Location-Guided Network for Breast Mass Segmentation and Malignancy Classification in Mammography

• arxiv url: http://arxiv.org/abs/2607.10188v2
• Date: Tue, 14 Jul 2026 23:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 12:21:59.330925
• Title: BiLoG-Net: A Bi-Context Location-Guided Network for Breast Mass Segmentation and Malignancy Classification in Mammography
• Title（参考訳）: BiLoG-Net:乳房腫瘤分離・悪性度分類のためのbi-Context Location-Guided Network
• Abstract要約: BiLoG-Netは、乳房のマスセグメンテーションと悪性度分類を共同で行うディープラーニングフレームワークである。 アーキテクチャは、新しいエンコーダデコーダパラダイムと、ファイアベースの特徴抽出、軽量でグローバルでローカルな特徴拡張モジュール、適応的な位置認識ゲーティングを統合している。 BiLoG-Netは、Diceスコア94.20%と93.10%、分類精度95.20%と93.60%、AUC値97.10%と96.00%で最先端のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer remains the most commonly diagnosed malignancy among women worldwide, yet accurate detection and characterization of breast masses in mammography remain challenging due to subtle intensity variations, heterogeneous tissue densities, and indistinct lesion boundaries that complicate radiological interpretation. To address these limitations, we propose BiLoG-Net, a deep learning framework that jointly performs breast mass segmentation and malignancy classification through bi-context location-aware feature modeling and segmentation-guided attention mechanisms. Our architecture integrates a novel encoder-decoder paradigm with Fire-based feature extraction, lightweight global and local feature enhancement modules, and adaptive location-aware gating to simultaneously capture long-range contextual dependencies and fine-grained boundary-sensitive details. Unlike conventional multi-stage pipelines, our tightly coupled multi-task design enables mutual reinforcement between pixel-level localization and image-level diagnosis, reducing error propagation while producing spatially grounded malignancy predictions. Evaluated on CBIS-DDSM and INBreast benchmarks, BiLoG-Net achieves state-of-the-art performance with Dice scores of 94.20% and 93.10%, classification accuracies of 95.20% and 93.60%, and AUC values of 97.10% and 96.00%, respectively, substantially outperforming existing CNN and transformer-based baselines. By combining precise boundary delineation with reliable malignancy assessment in a single end-to-end model, this work holds strong potential for clinical computer-aided detection systems, helping radiologists prioritize suspicious cases and improve screening efficiency in busy clinical settings.
• Abstract（参考訳）: 乳癌は世界でも最も一般的に診断されている腫瘍であるが, 乳房造影検査における乳房腫瘤の正確な検出と特徴は, 微妙な強度変化, 不均一な組織密度, 放射線学的解釈を複雑にする不連続な病変境界が原因で, いまだに困難である。 このような制約に対処するため,両テキスト位置認識機能モデリングとセグメンテーション誘導アテンション機構を用いて,乳房のマスセグメンテーションと悪性度分類を共同で行う深層学習フレームワークBiLoG-Netを提案する。 アーキテクチャは,新しいエンコーダ・デコーダのパラダイムと,ファイアベース機能抽出,軽量グローバルおよびローカル機能拡張モジュール,および適応型位置認識ゲーティングを統合し,長距離コンテキスト依存性ときめ細かな境界感性の詳細を同時に捕捉する。 従来の多段パイプラインと異なり, 密結合型マルチタスク設計により, 画素レベルの局所化と画像レベルの診断の相互強化が可能となり, 空間的に接地した悪性度予測を行いながら, 誤差の伝播を低減できる。 BiLoG-NetはCBIS-DDSMとINBreastのベンチマークで評価され、Diceスコア94.20%と93.10%、分類精度95.20%と93.60%、AUC値97.10%と96.00%を達成し、既存のCNNとトランスフォーマーベースのベースラインを大きく上回っている。 単一エンド・ツー・エンドモデルにおける正確な境界線と信頼性のある悪性度評価を組み合わせることで, 放射線科医が疑わしい症例を優先し, 臨床現場でのスクリーニング効率を向上させることを目的として, 臨床コンピュータ支援検出システムに強い可能性を秘めている。

関連論文リスト

• Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
  前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。 本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。 提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
  論文  参考訳（メタデータ） (2026-07-19T10:03:47Z)
• DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-03T23:09:03Z)
• Region-Affinity Attention for Whole-Slide Breast Cancer Classification in Deep Ultraviolet Imaging [3.1912286225194877]
  本研究は, DUV-WSI乳癌分類に適した新しい領域親和性注意機構を提案する。 提案手法の精度は92.67 +/- 0.73%,AUCは95.97%であり,既存の注意法よりも優れていた。
  論文  参考訳（メタデータ） (2026-04-19T03:04:01Z)
• An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net [0.6087515951830486]
  本稿では,実行中の注意ゲートを付加したU-Netモデルに基づく新たなセグメンテーション手法を提案する。 クラス不均衡に対応するために、標準的な分類的クロスエントロピーとともに、Dice LossやCategorical Dice Lossのような手動設計の損失関数を用いる。 提案手法は精度0.9919,Dice係数0.9901,IoU0.9873,感度0.9908,特異度0.9974で優れた性能を示した。
  論文  参考訳（メタデータ） (2026-03-24T15:42:49Z)
• Efficient endometrial carcinoma screening via cross-modal synthesis and gradient distillation [15.277910275783187]
  子宮内膜癌(EC)のステージングと救命には早期の子宮内膜浸潤の検出が重要である ここでは、ECスクリーニングにおけるデータと計算のボトルネックの両方を解決する、自動化された、高効率な2段階のディープラーニングフレームワークを提案する。 本モデルでは,99.5%の感度,97.2%の特異度,0.987の曲線以下の領域を最小計算コストで達成する。
  論文  参考訳（メタデータ） (2026-02-23T13:22:25Z)
• 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)
• REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis [32.83724094606554]
  医用画像分類に特化した最初の解剖学的インフォームドMOEフレームワークであるRegional Expert Networks (REN)を紹介した。 RENは解剖学の先行技術を利用して7人の専門専門家を訓練し、それぞれ異なる肺葉と両側の肺の組み合わせに特化している。 厳密な患者レベルのクロスバリデーションを通じて、RENは強力な一般化性と臨床解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-10-06T15:35:08Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• 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)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• 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)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)

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。