論文の概要: Clinical Feasibility of Low-Magnification Fluorescence Imaging for Breast Cancer Margin Detection Using Texture Analysis and Deep Learning
- arxiv url: http://arxiv.org/abs/2608.11317v1
- Date: Tue, 11 Aug 2026 18:08:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.329234
- Title: Clinical Feasibility of Low-Magnification Fluorescence Imaging for Breast Cancer Margin Detection Using Texture Analysis and Deep Learning
- Title（参考訳）: テクスチャー分析と深層学習を用いた乳癌マージン検出における低磁化蛍光イメージングの有用性
- Abstract要約: MUSE法は乳癌手術における手術マージンを確認するための有望な方法と考えられている。
ローカルバイナリパターン(LBP)とベースビジョン変換器(ViT)モデルを用いた深層学習(DL)に基づくテクスチャ解析(TA)を用いた。
DL法を用いて、4x倍率と10x倍率の両方が96.30%の感度、100%特異度、98.18%の精度を達成した。
- 参考スコア（独自算出の注目度）: 3.8841578119313502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution images of unprocessed surgical breast tissue can be obtained using microscopy with ultraviolet surface excitation (MUSE). This technique is considered a promising method for checking surgical margins during breast cancer surgery. In this study, MUSE images at 4x and 10x magnifications were compared using patch-level classification methods. Texture analysis (TA) based on local binary patterns (LBP) and deep learning (DL) with a base Vision Transformer (ViT) model were used. Both methods achieved similar performance at both magnifications. Using DL method, both 4x and 10x magnifications achieved 96.30% sensitivity, 100% specificity and 98.18% accuracy. Using TA method, 4x achieved better specificity (100% vs 93.33%) and 10x yielded higher sensitivity (100% vs 93.33%), but both had the same accuracy (96.67%). No clear improvement in performance was observed with 10x magnification. These results show that 4x imaging achieves the same diagnostic accuracy as 10x imaging. At the same time, 4x offers a larger field of view and faster image capture. Therefore, lower magnification can be effectively used in MUSE systems for accurate and efficient intraoperative margin assessment.
- Abstract（参考訳）: 非加工乳房組織の高分解能画像は、紫外線励起顕微鏡(MUSE)を用いて得ることができる。
この手法は乳癌手術における手術マージンの診断に有望な方法であると考えられる。
本研究では,パッチレベルの分類法を用いて,MUSE画像を4倍,10倍の倍率で比較した。
ローカルバイナリパターン(LBP)とベースビジョン変換器(ViT)モデルを用いた深層学習(DL)に基づくテクスチャ解析(TA)を用いた。
どちらの手法も両倍率で同様の性能を達成した。
DL法を用いて、4x倍率と10x倍率の両方が96.30%の感度、100%特異度、98.18%の精度を達成した。
TA法を用いて、4xはより良い特異性(100%対93.33%)、10xは高い感度(100%対93.33%)を得たが、どちらも同じ精度(96.67%)であった。
10倍の倍率で明らかな性能改善はみられなかった。
これらの結果から, 4x 画像は 10x 画像と同じ精度で診断できることがわかった。
同時に、4xはより広い視野と高速な画像キャプチャを提供する。
したがって,MUSEシステムでは低倍率が有効であり,術中マージン評価に有効である。
関連論文リスト
- Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。
ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。
ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
論文 参考訳（メタデータ） (2026-05-29T02:48:23Z) - AI-Augmented Pollen Recognition in Optical and Holographic Microscopy for Veterinary Imaging [0.1563562770254469]
本稿では,従来の光学・デジタルホログラフィー(DIHM)画像における完全自動花粉認識に関する総合的研究について述べる。
未再構成ホログラフィック画像の花粉を視覚的に認識することは、スペックルノイズ、ツインイメージアーティファクト、および明るいフィールドの外観からかなりのばらつきにより、依然として困難である。
我々はスペクトル正規化のWasserstein GANを用いて合成DIHM画像を作成し、FIDスコアは58.246である。
論文 参考訳（メタデータ） (2025-12-13T00:26:45Z) - See More, Change Less: Anatomy-Aware Diffusion for Contrast Enhancement [54.01053990883076]
SMILEは解剖学的に認識された拡散モデルで、臓器がどのように形成され、どのようにコントラストを取るかを学ぶ。
他のすべての領域を変更せずに、臨床的に関係のある領域のみを増強する。
また、非造影CTによるがん検出も改善され、F1スコアは最大10%上昇する。
論文 参考訳（メタデータ） (2025-12-08T07:48:45Z) - 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) - Breast Cancer Histopathology Classification using CBAM-EfficientNetV2 with Transfer Learning [0.0]
本研究では,EfficientNetV2モデルを用いて特徴抽出を改善し,関連組織領域に焦点を当てた新しいアプローチを提案する。
CBAMを搭載した効率の良いNetV2-XLは、最高精度99.01%、F1スコア98.31%を400倍の精度で達成した。
論文 参考訳（メタデータ） (2024-10-29T17:56:05Z) - Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。
特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文 参考訳（メタデータ） (2024-05-13T16:07:58Z) - Intra-operative Brain Tumor Detection with Deep Learning-Optimized
Hyperspectral Imaging [37.21885467891782]
グリオーマ(内因性脳腫瘍)の手術は、病変の浸潤性により困難である。
リアルタイム, 術中, ラベルフリー, 広視野の道具は使用できない。
術中指導の可能性を秘めた癌切除のための深層学習型診断ツールを構築した。
論文 参考訳（メタデータ） (2023-02-06T15:52:03Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - Classification of Breast Tumours Based on Histopathology Images Using
Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。
Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。
分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文 参考訳（メタデータ） (2022-09-03T09:27:00Z) - 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) - Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images [4.457871213347773]
本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
論文 参考訳（メタデータ） (2020-11-25T20:58:27Z)
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。