論文の概要: BreastMammo and DenseMammo: Benchmarks for Mammography Domain Generalization

• arxiv url: http://arxiv.org/abs/2608.10271v1
• Date: Mon, 10 Aug 2026 22:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.829457
• Title: BreastMammo and DenseMammo: Benchmarks for Mammography Domain Generalization
• Title（参考訳）: BreastMammoとDenseMammo:マンモグラフィ領域の一般化のためのベンチマーク
• Abstract要約: 本研究ではBreastMammoとDenseMammoという2つの新しいデータセットを導入し,マルチビューマンモグラフィーの堅牢化を図る。 本稿では,前景のみのヒストグラムマッチングプロトコルを用いて,異なる臨床ソースから生じる領域シフトを解消するドメイン一般化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.858068155615667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast density classification is a critical component of breast cancer risk assessment, yet AI models often struggle to generalize across clinical sites due to vendor-specific acquisition styles. In this work, we introduce two new datasets, BreastMammo and DenseMammo, to facilitate robust multi-view mammography research. We propose a domain generalization framework that utilizes a foreground-only histogram matching protocol to resolve the domain shift issue arising from disparate clinical sources. Internal evaluation using a 5-fold cross-validation protocol demonstrates the efficacy of our approach, with the Swin Transformer backbone achieving a peak AUC of 98.32% for density classification. External evaluation on the TNMammo and LUMINA datasets demonstrates that the proposed approach consistently reduces domain shift, significantly outperforming prominent domain generalization paradigms, including MixStyle and Discrete-Fourier-Transform-based frameworks.
• Abstract（参考訳）: 乳腺密度分類は乳がんリスク評価の重要な要素であるが、AIモデルはベンダー固有の取得スタイルのために臨床現場をまたがって一般化に苦慮することが多い。 本研究では,BreastMammoとDenseMammoという2つの新しいデータセットを導入し,マルチビューマンモグラフィーの堅牢化を図る。 本稿では,前景のみのヒストグラムマッチングプロトコルを用いて,異なる臨床ソースから生じる領域シフトを解消するドメイン一般化フレームワークを提案する。 5倍のクロスバリデーションプロトコルを用いて内部評価を行ったところ,Swin Transformerのバックボーンが98.32%のピークAUCを達成した。 TNMammoとLUMINAデータセットの外部評価は、提案手法がドメインシフトを一貫して減少させ、MixStyleやDisdisrete-Fourier-Transform-based frameworkなど、顕著なドメイン一般化パラダイムを著しく上回ることを示している。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets [3.7920076032207106]
  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。
  論文  参考訳（メタデータ） (2026-07-07T17:53:49Z)
• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• Mammo-FM: Breast-specific foundational model for Integrated Mammographic Diagnosis, Prognosis, and Reporting [10.376219551996792]
  Mammo-FMはマンモグラフィーのための最初の基礎モデルであり、これまでで最大かつ最も多様なデータセットで事前訓練されている。 Mammo-FMは、乳がん診断、病理組織局在、構造化レポート生成、がんリスク予後など、乳房画像におけるコア臨床タスクの統一基盤を提供する。
  論文  参考訳（メタデータ） (2025-11-28T20:41:14Z)
• Unsupervised Domain Adaptation via Content Alignment for Hippocampus Segmentation [5.118486547573804]
  本稿では,MRIによる海馬間領域分割で発生する領域シフトに対処する,教師なし領域適応フレームワークを提案する。 本手法は、z正規化による効率的なスタイル調和と、双方向の変形可能な画像登録(DIR)戦略を組み合わせたものである。 人工海馬データセットと3つのMRI海馬データセットを総合的に評価し,集団の萎縮度を指標としたアプローチを検証した。
  論文  参考訳（メタデータ） (2025-10-15T01:34:41Z)
• MV-Swin-T: Mammogram Classification with Multi-view Swin Transformer [0.257133335028485]
  マンモグラフィ画像分類における課題に対処するために,トランスフォーマーに基づく革新的なマルチビューネットワークを提案する。 提案手法では,ウィンドウベースの動的アテンションブロックを導入し,マルチビュー情報の効果的な統合を容易にする。
  論文  参考訳（メタデータ） (2024-02-26T04:41:04Z)
• Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection [37.66559952448587]
  そこで本研究では,異なるが関連する臨床研究で収集されたクロスドメイン頚部画像を利用して,モデルの性能を向上させることを提案する。 データセット間で伝達可能な情報を堅牢に学習するために,新しいプロトタイプベースの知識フィルタリング手法を提案する。 提案法は,最先端の頚椎椎間板形成検査において,Top-1の精度が4.7%向上した。
  論文  参考訳（メタデータ） (2023-08-19T11:25:09Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
  マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。 我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。 特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
  論文  参考訳（メタデータ） (2023-01-04T19:16:55Z)
• CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation [38.44458104455557]
  医用画像分割のためのCDDSA(Contrastive Domain Disentanglement and Style Augmentation)フレームワークを提案する。 まず、画像をドメイン不変な解剖学的表現とドメイン固有なスタイルコードに分解する。 第二に、より良い絡み合いを実現するために、同じドメインと異なるドメインのスタイルコードをコンパクトで分散させるために、対照的な損失が提案されている。
  論文  参考訳（メタデータ） (2022-11-22T08:25:35Z)
• 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)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。