論文の概要: Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing

• arxiv url: http://arxiv.org/abs/2607.18678v1
• Date: Tue, 21 Jul 2026 03:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.303616
• Title: Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing
• Title（参考訳）: クラスワイズデータセットミキシングによる乳房MRI腫瘍分類におけるクロスデータセットの一般化
• Abstract要約: ディープラーニングモデルは内部分割でよく機能するが、ドメインシフトとデータセット-オリジンバイアスのため、組織間で失敗することがある。 両側乳房MRI腫瘍分類におけるこの障害モードについて検討した。 ラベルがデータセットの起源と完全に相関している故意に構築されたセットアップでは、外部精度がほぼ確実である。 MAMA-MIAでは、データセットの混合により、WaveViT-Smallでは0.8463/0.8625、EfficientNet-B3では0.8884/0.8994に精度が向上する。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast MRI is highly sensitive for detecting breast tumors, but exams contain many slices and require substantial reading time. Deep learning models often perform well on internal splits but can fail across institutions because of domain shift and dataset-origin bias. We study this failure mode for binary breast MRI tumor classification. EfficientNet-B3 and WaveViT-Small are trained using Duke Breast Cancer MRI and fastMRI, and evaluated only on the independent multi-center MAMA-MIA cohort. In a deliberately confounded setup, where label is perfectly correlated with dataset origin, external accuracy is near chance (0.5048--0.5265), despite very high recall. We then construct a mixed training set in which each class contains samples from both Duke and fastMRI, while preserving patient-level splitting, augmentation, and leakage controls. On MAMA-MIA, dataset mixing improves accuracy/F1 to 0.8463/0.8625 for WaveViT-Small and 0.8884/0.8994 for EfficientNet-B3. These results show that controlling dataset-origin bias is important for reliable breast MRI classification.
• Abstract（参考訳）: 乳腺MRIは乳腺腫瘍を検出するのに非常に敏感であるが、検査には多くのスライスが含まれ、かなりの読影時間を必要とする。 ディープラーニングモデルは内部分割でよく機能するが、ドメインシフトとデータセット-オリジンバイアスのため、組織間で失敗することがある。 両側乳房MRI腫瘍分類におけるこの障害モードについて検討した。 The EfficientNet-B3 and WaveViT-Small are training using Duke Breast Cancer MRI and fastMRI, and evaluation on the independent multi-center MAMA-MIA cohort。 ラベルがデータセットの起源と完全に相関している故意に構築されたセットアップでは、非常に高いリコールにもかかわらず、外部精度は0.5048-0.5265に近づいた。 次に、DukeとfastMRIの両方のサンプルを含む混合トレーニングセットを構築し、患者レベルの分割、拡張、漏洩制御を保存する。 MAMA-MIAでは、データセットの混合により、WaveViT-Smallでは0.8463/0.8625、EfficientNet-B3では0.8884/0.8994に精度が向上する。 以上の結果から, 乳房MRIの信頼性評価には, データセット・オリジンバイアスの制御が重要であることが示唆された。

関連論文リスト

• Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study [0.0]
  異常に富んだ外部データセットから生検確認された症例を補足すると,性能が向上するかどうかを検討した。 我々は,Mammo-CLIP重み付き効率の良いNet-B5エンコーダを,一貫した前処理下で凍結線形プローブとして評価した。
  論文  参考訳（メタデータ） (2026-07-16T19:41:48Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI [5.186000805926489]
  本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。 トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。 トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-10-14T11:31:40Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• How well do U-Net-based segmentation trained on adult cardiac magnetic resonance imaging data generalise to rare congenital heart diseases for surgical planning? [2.330464988780586]
  先天性心疾患(TOF)患者における肺弁置換術の適応時期は, 主に心室容積と機能に基づく。 過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。 しかし、臨床実践においては、個々の病理や異なるスキャナー特性から派生した画像特性を考えると、データセットはより多様である。
  論文  参考訳（メタデータ） (2020-02-10T08:50:51Z)
• Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study [1.4463443378902883]
  深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。 セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。 DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
  論文  参考訳（メタデータ） (2019-12-27T02:49:45Z)

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。