論文の概要: MammoMix: Leveraging Mixture of Experts for Robust Mammogram Breast Detection

• arxiv url: http://arxiv.org/abs/2608.10437v1
• Date: Tue, 11 Aug 2026 03:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.891857
• Title: MammoMix: Leveraging Mixture of Experts for Robust Mammogram Breast Detection
• Title（参考訳）: MammoMix:ロバストマンモグラム乳房検診の専門家の活用
• Abstract要約: MammoMixは、堅牢で一般化可能な病変検出のための新しいフレームワークである。 各エキスパートモデルは特定のドメインでトレーニングされ、ソースデータの異なる特性を専門化することができる。 ゲーティング機構は、入力画像に基づいて各専門家からのコントリビューションを適応的に評価し、その出力を組み合わせてドメイン適応推論を可能にする。
• 参考スコア（独自算出の注目度）: 6.160441117604406
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Breast lesion detection in mammography remains a challenging task due to variations in image quality, lesion appearance, and population demographics across datasets. While current object detectors such as YOLO and DETR achieve strong results on individual datasets, their performance often degrades when trained on or applied across heterogeneous sources. To address this, we propose MammoMix, a novel framework based on Mixture-of-Experts (MoE) paradigm for robust and generalizable lesion detection. In MammoMix, each expert model is trained on a specific domain, allowing it to specialize in distinct characteristics of its source data. A gating mechanism adaptively weighs contributions from each expert based on input image, combining their outputs to enable domain-adaptive inference. To improve reliability, we further incorporate a calibration module, MoCAE, which adjusts confidence scores to reflect true predictive uncertainty. We evaluate MammoMix on 3 public mammography datasets: CSAW, DDSM, and DMID, covering diverse clinical settings. Results show that MammoMix outperforms baseline detectors in both average precision and reliability, particularly on datasets with greater variability. Our findings demonstrate that expert specialization and calibrated ensemble fusion significantly enhance model generalization and robustness. MammoMix offers a promising step toward dependable AI-assisted breast cancer screening across real-world clinical domains.
• Abstract（参考訳）: マンモグラフィーにおける乳腺病変の検出は、画像品質、病変の外観、およびデータセット間の人口密度の変化により、依然として困難な課題である。 YOLOやDETRのような現在のオブジェクト検出器は個々のデータセットに対して強い結果をもたらすが、その性能は異種ソースでトレーニングされたり、適用されたりすると劣化することが多い。 そこで我々は,Mix-of-Experts(MoE)パラダイムに基づく,堅牢かつ一般化可能な病変検出のための新しいフレームワークであるMammoMixを提案する。 MammoMixでは、各エキスパートモデルは特定のドメインでトレーニングされ、ソースデータの異なる特性を専門化することができる。 ゲーティング機構は、入力画像に基づいて各専門家からのコントリビューションを適応的に評価し、その出力を組み合わせてドメイン適応推論を可能にする。 信頼性を向上させるために,信頼性スコアを調整し,真の予測の不確実性を反映するキャリブレーションモジュールであるMoCAEを更に導入する。 マンモミクスはCSAW,DDSM,DMIDの3つのパブリックマンモグラフィーデータセットで評価され,様々な臨床症状が報告された。 その結果、MammoMixは平均精度と信頼性の両方でベースライン検出器よりも優れており、特に大きな変動性を持つデータセットで性能が向上していることがわかった。 以上の結果から,専門家の専門化と校正アンサンブル融合はモデルの一般化とロバスト性を大幅に向上させることが明らかとなった。 MammoMixは、現実の臨床領域をまたいで、信頼できるAI支援乳がんスクリーニングに向けた、有望なステップを提供する。

関連論文リスト

• 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)
• MammoClean: Toward Reproducible and Bias-Aware AI in Mammography through Dataset Harmonization [11.587767922555628]
  MammoCleanは、マンモグラフィデータセットの標準化とバイアス定量化のためのフレームワークである。 MammoCleanを使ってバイアス源を特定し、緩和することで、研究者は統一されたマルチデータセットトレーニングコーパスを構築することができる。 MammoCleanは、マンモグラフィーにおけるバイアス認識AI開発に不可欠な、再現可能なパイプラインを提供する。
  論文  参考訳（メタデータ） (2025-11-04T09:29:46Z)
• Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
  乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。 モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-25T08:06:07Z)
• MuSACo: Multimodal Subject-Specific Selection and Adaptation for Expression Recognition with Co-Training [52.99217736494484]
  パーソナライズされた表現認識のためのマルチモーダルな主題固有の選択と適応法であるMuSACoを紹介する。 これにより、MuSACoは、ストレスや痛みに対する患者固有の評価など、デジタルヘルスにおける感情的コンピューティングアプリケーションに関係している。 BioVid と StressID というマルチモーダル ER データセットに対する実験結果から,MuSACo が UDA (blending) および最先端 MSDA 法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-17T23:08:21Z)
• Bias and Generalizability of Foundation Models across Datasets in Breast Mammography [4.117899774444893]
  乳房マンモグラフィー分類のための基礎モデル(FM)の公平性とバイアスについて検討する。 我々は、未表現領域と社内データセットからのさまざまなソースを含む、膨大なデータセットのプールを活用している。 実験の結果,FMのモーダリティ固有の事前学習は性能を向上させるが,個々のデータセットの特徴に基づいて訓練された分類器はドメイン間の一般化に失敗することがわかった。
  論文  参考訳（メタデータ） (2025-05-14T06:56:17Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
  本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。 グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
  論文  参考訳（メタデータ） (2024-03-14T19:51:18Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• RegMixup: Mixup as a Regularizer Can Surprisingly Improve Accuracy and Out Distribution Robustness [94.69774317059122]
  学習目的として使うのではなく、標準のクロスエントロピー損失に対する追加の正則化剤として利用すれば、良好なミックスアップの有効性がさらに向上できることが示される。 この単純な変更は、精度を大幅に改善するだけでなく、Mixupの予測不確実性推定の品質を大幅に改善する。
  論文  参考訳（メタデータ） (2022-06-29T09:44:33Z)
• A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations [4.511923587827301]
  我々のフレームワークは、潜在マスターの分布とクライアントのパラメータよりも期待(EM)によって効果的に最適化できることを示す。 アルツハイマー病に罹患した患者の臨床データから, マルチモーダル・メディカル・イメージング・データの解析と臨床成績について検討した。
  論文  参考訳（メタデータ） (2022-04-15T07:20:47Z)

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。