Fugu-MT 論文翻訳(概要): ProtoCAM: Interpretable Few-Shot Mask-Guided Prototypical Learning for Breast Lesion Classification in Ultrasound Imaging

論文の概要: ProtoCAM: Interpretable Few-Shot Mask-Guided Prototypical Learning for Breast Lesion Classification in Ultrasound Imaging

arxiv url: http://arxiv.org/abs/2609.13340v1
Date: Fri, 11 Sep 2026 12:05:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.229246
Title: ProtoCAM: Interpretable Few-Shot Mask-Guided Prototypical Learning for Breast Lesion Classification in Ultrasound Imaging
Title（参考訳）: ProtoCAM:超音波画像における乳房病変分類のためのFew-Shot Mask-Guided Prototypeal Learning
Abstract要約: ProtoCAMは乳房病変分類のための説明可能な数発の学習フレームワークである。マスク誘導型特徴符号化、原型的メートル法学習、勾配に基づく視覚的説明を統合している。 BUSIデータセット上で,層状群k-foldクロスバリデーションプロトコルを用いて評価した。
参考スコア（独自算出の注目度）: 0.2538209532048867
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast ultrasound imaging plays an important role in the early detection and diagnosis of breast cancer, particularly for patients with dense breast tissue. However, developing reliable deep learning models for ultrasound analysis is challenging due to limited annotated medical data and the need for interpretable predictions. To address these challenges, this paper proposes ProtoCAM, an explainable few-shot learning framework for breast lesion classification that integrates mask-guided feature encoding, prototypical metric learning, and gradient-based visual explanations. The proposed approach leverages lesion masks to guide feature extraction and constructs class prototypes within an embedding space to enable robust classification under limited training samples. The framework was evaluated on the BUSI dataset using a stratified group k-fold cross-validation protocol to prevent patient-level data leakage. Experimental results demonstrate ProtoCAM's high performance in low-data scenarios. In a 3-way 5-shot setting, the proposed method achieves a macro F1-score of 0.910, representing a substantial improvement over standard supervised CNN models. Among the evaluated backbone networks, ResNet18 achieved the best performance, reaching a macro F1-score of 91.65% under a 15-shot configuration, providing interpretable insights into the classification decisions. These results highlight the potential of explainable few-shot learning frameworks for reliable computer-aided breast cancer diagnosis in data-scarce medical imaging environments.
Abstract（参考訳）: 乳房超音波検査は乳がんの早期発見と診断において重要な役割を担っている。しかし, 超音波解析のための信頼度の高い深層学習モデルの開発は, 注釈付き医療データと解釈可能な予測の必要性のため, 困難である。これらの課題に対処するために,マスク誘導型特徴符号化,原型的メートル法学習,勾配に基づく視覚的説明を統合した,乳房病変分類のための説明可能な数ショット学習フレームワークであるProtoCAMを提案する。提案手法は, 病変マスクを用いて特徴抽出を誘導し, 組込み空間内にクラスプロトタイプを構築し, 限られたトレーニングサンプルによるロバストな分類を可能にする。本フレームワークは,患者レベルのデータ漏洩を防止するために,階層化グループk-foldクロスバリデーションプロトコルを用いてBUSIデータセット上で評価した。実験により,低データシナリオにおけるProtoCAMの性能が示された。提案手法は, 標準教師付きCNNモデルに対して, 0.910のマクロF1スコアを実現する。評価されたバックボーンネットワークの中で、ResNet18は最高性能を達成し、マクロF1スコアは15ショット構成で91.65%に達した。これらの結果から,データ共有医療画像環境におけるコンピュータ支援乳がん診断のための,説明可能な数発の学習フレームワークの可能性が示唆された。

関連論文リスト

Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification [0.4083182125683813]
本研究では,病変分類と診断分類を共同で行うマルチタスク深層学習フレームワークを提案する。提案手法では,高次元SAM特徴を軽量な畳み込みヘッドまたはUNetにインスパイアされたデコーダでデコードし,ピクセルワイドセグメンテーションを実現する。 PreCISE 2025乳房超音波データセットの実験では、クラスごとに80%のトレーニングと20%のテストに分割し、提案手法がDice similarity Coefficient (DSC)の0.887の精度と92.3%の精度を達成することを示した。
論文参考訳（メタデータ） (2026-01-09T03:02:41Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
論文参考訳（メタデータ） (2024-04-18T18:25:00Z)
Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation [7.747608350830482]
早期乳房超音波画像における病変の断片化を弱体化するための新しい枠組みを提案する。本手法は,形態的拡張とクラスアクティベーションマップ(CAM)誘導局所化を用いた。このアプローチはピクセルレベルのアノテーションを必要としないため、データアノテーションのコストが削減される。
論文参考訳（メタデータ） (2023-11-18T22:06:04Z)
Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。悪性の腫瘤を正確に識別することは依然として困難ですマンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2023-10-30T10:22:14Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Certification of Deep Learning Models for Medical Image Segmentation [44.177565298565966]
ランダムな平滑化と拡散モデルに基づく医用画像のための認定セグメンテーションベースラインを初めて提示する。この結果から,拡散確率モデルをデノナイズするパワーを活用することで,ランダムな平滑化の限界を克服できることが示唆された。
論文参考訳（メタデータ） (2023-10-05T16:40:33Z)
Forward-Forward Contrastive Learning [4.465144120325802]
医用画像分類のための新しい事前学習手法として,前向きコントラスト学習(FFCL)を提案する。 FFCLは、肺炎分類タスクにおける既存の事前訓練モデルよりも、ImageNet Pretrained ResNet-18よりも3.69%の精度で性能が向上している。
論文参考訳（メタデータ） (2023-05-04T15:29:06Z)
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)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。