論文の概要: Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI

• arxiv url: http://arxiv.org/abs/2609.27815v1
• Date: Tue, 18 Aug 2026 12:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.97471
• Title: Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI
• Title（参考訳）: 独立拡散強調MRIを用いた乳がん検出・分節化のためのADCのみ深層学習パイプラインの評価
• Abstract要約: 乳がんの検出・分節化における最先端の深層学習技術の応用について検討した。 これは、ADCのみの乳がんパイプラインの分類、検出、セグメンテーションタスクに対する総合的な評価としては初めてである。
• 参考スコア（独自算出の注目度）: 0.7915536524413253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic contrast-enhanced (DCE) imaging is the gold standard technique for the detection and characterization of breast cancer using magnetic resonance imaging (MRI). However, DCE-MRI requires long acquisition times and the administration of contrast into the bloodstream, which can cause allergic reactions. Alternatively, diffusion-weighted MRI (DW-MRI) is a standard complementary technique for breast MRI that does not require contrast, has shorter acquisition times, and enables calculation of apparent diffusion coefficient (ADC) maps that correlate with tumor cellularity. Yet, despite these technical advantages, deep learning research has focused on DCE-based models and has barely explored the tumor detection performance of DW-MRI and ADC maps either in combination with DCE-MRI or as standalone alternatives. Here, we evaluate the application of different state-of-the-art deep learning techniques for detection and segmentation of breast cancer using ADC-only images. This is, to our knowledge, the first comprehensive evaluation of ADC-only breast cancer pipelines for classification, detection, and segmentation tasks.
• Abstract（参考訳）: ダイナミックコントラスト強調画像(DCE)はMRI(MRI)を用いた乳癌の検出と評価のための金の標準技術である。 しかし、DCE-MRIは長時間の取得と血流に対するコントラストの投与を必要とし、アレルギー反応を引き起こす可能性がある。 あるいは、拡散強調MRI(DW-MRI)はコントラストを必要とせず、取得時間が短く、腫瘍細胞と相関する明らかな拡散係数(ADC)マップの計算を可能にする乳房MRIの標準補完技術である。 しかし、これらの技術的優位性にもかかわらず、ディープラーニングの研究はDCEベースのモデルに重点を置いており、DW-MRIとADCマップの腫瘍検出性能をDCE-MRIと組み合わせたり、スタンドアロンの代替品として検討することはほとんどない。 そこで本研究では, ADCのみの画像を用いて, 乳がんの検出・分節化における最先端の深層学習技術の応用について検討した。 これは、ADCのみの乳がんパイプラインの分類、検出、分節化タスクに対する総合的な評価としては、私たちの知る限りでは初めてのものである。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Simulating Dynamic Tumor Contrast Enhancement in Breast MRI using Conditional Generative Adversarial Networks [2.4634168876565177]
  乳房MRIにおける仮想コントラスト強調法を提案し,従来のコントラストエージェントを用いたDCE-MRIの取得に代えて,有望な非侵襲的代替手段を提供する。 条件付き生成逆数ネットワークを用いて、複数の対応するDCE-MRIタイムポイントの合同生成シーケンスを含むDCE-MRI画像を予測する。 提案手法は,現実的で有用なDCE-MRIシークエンスを生成する上で有望な結果を示し,乳がんの診断と治療を改善するための仮想コントラスト増強の可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-27T16:08:52Z)
• Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI [0.0]
  mpMRIにおける配列の組み合わせの効果は未解明のままである。 DCE配列を用いたnnU-Netモデルは機能腫瘍容積(FTV)セグメンテーションにおいて0.69$pm$0.18のDice類似係数(DSC)を達成した。
  論文  参考訳（メタデータ） (2024-06-12T02:09:05Z)
• Radiomics-guided Multimodal Self-attention Network for Predicting Pathological Complete Response in Breast MRI [3.6852491526879687]
  本研究では,ダイナミックコントラスト強調画像(DCE)とADCマップを用いた乳癌患者のpCR予測モデルを提案する。 本手法は, 腫瘍関連領域からの特徴抽出を誘導するために放射線を利用した自己注意機構を備えたエンコーダを用いて, DCE MRI と ADC から特徴抽出を行う。
  論文  参考訳（メタデータ） (2024-06-05T04:49:55Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Synthesis of Contrast-Enhanced Breast MRI Using Multi-b-Value DWI-based Hierarchical Fusion Network with Attention Mechanism [15.453470023481932]
  造影MRI(CE-MRI)は腫瘍と浸潤した健全な組織との鑑別に優れる。 CE-MRIを得るためにガドリニウムベースの造影剤(GBCA)を使用することは、ネフローゼ性全身線維症と関連し、脳内での生体蓄積を引き起こす可能性がある。 造影剤の使用を減らすため,拡散強調画像(DWI)が重要画像技術として出現している。
  論文  参考訳（メタデータ） (2023-07-03T09:46:12Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。