論文の概要: Feature Space Guidance for Breast Cancer Classification in DCE-MRI

• arxiv url: http://arxiv.org/abs/2609.32555v1
• Date: Sat, 26 Sep 2026 12:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:27:45.946343
• Title: Feature Space Guidance for Breast Cancer Classification in DCE-MRI
• Title（参考訳）: DCE-MRIにおける乳癌分類のための特徴空間ガイダンス
• Abstract要約: ダイナミックコントラスト増強乳頭MRI(DCE-MRI)は乳がん検出のための強力な臨床ツールである。 しかし、高次元の4D入力、小さな病変、不均一な取得プロトコルは、堅牢な自動分類を妨げている。 本稿では,遅延表現を動的に解析し,プロトコル固有の特性に適応する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）: 5.6633926337826885
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic contrast enhanced breast MRI (DCE-MRI) is a powerful clinical tool for breast cancer detection, providing high resolution anatomical detail together with rich temporal contrast information. However, high dimensional 4D inputs, small lesions, and heterogeneous acquisition protocols across clinical sites hinder robust automated classification of healthy, benign, and malignant cases. To address these challenges, we propose a framework that dynamically analyzes latent representations to adapt to protocol-specific characteristics. Spatial variability is mitigated by reducing confounding background uptake and compensating for misalignment caused by deformable soft tissue. Additionally, relationships in the latent space across phases are leveraged to select the most informative temporal features, improving robustness to protocol-specific temporal variability. Finally, task specific discriminative features are promoted through large scale supervised lesion segmentation pretraining, which substantially enhances downstream finetuning. Evaluated under leave-one-center-out validation on the ODELIA dataset and the held-out AMBL cohort, the proposed framework substantially outperforms finetuned radiology foundation models and prior methods, improving mean AUROC by nearly 8 points and balanced accuracy by 4 points over the strongest baseline. Additionally, our method achieved first place in the MICCAI ODELIA Breast MRI Challenge 2025, further demonstrating its effectiveness for robust breast cancer classification. We publicly release our codebase under https://github.com/MIC-DKFZ/CURIAtor.
• Abstract（参考訳）: ダイナミックコントラスト強化乳頭MRI(DCE-MRI)は乳がん検出のための強力な臨床ツールであり、高分解能の解剖学的詳細と時間的コントラスト情報を提供する。 しかし、高次元の4D入力、小さな病変、および臨床現場における異種獲得プロトコルは、健康、良性、悪性の患者の堅牢な自動分類を妨げている。 これらの課題に対処するため,プロトコル固有の特徴に適応するために,潜在表現を動的に解析するフレームワークを提案する。 ゆらぎのある背景の取り込みを減らし、変形可能な軟組織による不整合を補うことにより空間変動を緩和する。 さらに、位相間の潜伏空間における関係を利用して最も情報性の高い時間的特徴を選択し、プロトコル固有の時間的変動に対する堅牢性を向上させる。 最後に、大規模教師付き病変分節事前訓練によりタスク特定識別機能を促進させ、下流の微調整を大幅に強化する。 提案手法は,ODELIAデータセットとホールドアウトAMBLコホートの残量中心検証に基づいて評価され,微調整ラジオロジー基礎モデルと先行手法を大幅に上回り,平均AUROCを8ポイント近く改善し,最強ベースライン上で4ポイントの精度で補正する。 さらに,MICCAI ODELIA Breast MRI Challenge 2025で第1位となり,乳癌の堅牢な分類の有効性が示された。 コードベースをhttps://github.com/MIC-DKFZ/CURIAtor.comで公開しています。

関連論文リスト

• B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures [42.844780603412325]
  自己監督型プレトレーニングは、医療画像の転送可能な表現を可能にする。 ほとんどのCTエンコーダは、いまだに粗い意味理解に偏っている。 グローバルなセマンティックアライメントを低減するために、バイアスドマスク画像モデリングを導入する。
  論文  参考訳（メタデータ） (2026-08-25T10:20:05Z)
• 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)
• Selective Phase-Aware Training of nnU-Net for Robust Breast Cancer Segmentation in Multi-Center DCE-MRI [0.0]
  乳癌は依然として女性の中で最も多いがんであり、女性死亡の原因となっている。 本研究は,nnU-Netアーキテクチャのためのフェーズアウェアトレーニングフレームワークを提案する。 DUKE, NACT, ISPY1, ISPY2データセットの制御された実験により, 動作アーチファクトを含むISPYスキャンはセグメンテーション性能を損なうことが明らかになった。
  論文  参考訳（メタデータ） (2025-12-22T10:05:37Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Toward a robust lesion detection model in breast DCE-MRI: adapting foundation models to high-risk women [4.615277920713566]
  ダイナミックコントラスト強調MRI(DCE-MRI)を用いた乳房病変分類のための術前基礎モデルである医用スライストランスフォーマー(MST)を適応した分類パイプラインを提案する。 本研究は, 基礎モデル埋め込みと高度な分類手法を組み合わせることで, 乳房MRI解析ツールの構築に有効であることを示す。
  論文  参考訳（メタデータ） (2025-09-02T18:11:18Z)
• Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
  本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。 先進的な畳み込みニューラルネットワークを4つ実装し比較した。 焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
  論文  参考訳（メタデータ） (2025-07-08T21:26:33Z)
• SCPMan: Shape Context and Prior Constrained Multi-scale Attention Network for Pancreatic Segmentation [39.70422146937986]
  本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。 我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
  論文  参考訳（メタデータ） (2023-12-26T03:00:25Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。