論文の概要: Explicitly Aligned Multi-View Breast Cancer Risk Prediction from Variable-Length Screening Histories

• arxiv url: http://arxiv.org/abs/2610.16329v1
• Date: Mon, 12 Oct 2026 07:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.32881
• Title: Explicitly Aligned Multi-View Breast Cancer Risk Prediction from Variable-Length Screening Histories
• Title（参考訳）: 可変長検診履歴による多視点乳がん危険度予測
• Abstract要約: 経時的情報を活用するには、検査全体で対応する組織領域を特定する必要がある。 検診におけるCCとMLOのビューを共同でモデル化する,胸回り長手マルチビューフレームワークFlexLMV-Netを提案する。 オープンソースのベンチマークであるgithub.com/sot176/BCRBenchも導入しています。
• 参考スコア（独自算出の注目度）: 20.98092150618352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate breast cancer risk prediction from screening mammography is essential for improved risk stratification and personalized screening. It can benefit from both temporal breast tissue changes across longitudinal examinations and complementary anatomical information from craniocaudal (CC) and mediolateral oblique (MLO) views. Leveraging longitudinal information requires identifying corresponding tissue regions across examinations, yet most approaches rely on implicit feature alignment without explicitly enforcing spatial consistency. Recent work has demonstrated the benefits of explicit temporal alignment; however, existing methods model each view independently, preventing them from exploiting complementary CC and MLO information. Furthermore, explicit approaches have been limited to a single prior examination. To fill these gaps, we propose (github.com/sot176/FlexLMV-Net), a breast-wise longitudinal multi-view framework that jointly models CC and MLO views across screening examinations while accommodating a variable number of prior examinations. FlexLMV-Net explicitly aligns longitudinal feature maps and integrates complementary views through cross-view temporal fusion and a dual-stream attention block. Evaluated on EMBED and CSAW-CC, FlexLMV-Net consistently outperforms existing approaches across breast density, cancer subtypes, and demographic subgroups, highlighting the benefits of explicit longitudinal alignment, multi-view modeling, and flexible use of available screening history. We further introduce (github.com/sot176/BCRBench), an open-source benchmark that unifies state-of-the-art single- and multi-timepoint breast cancer risk prediction models under standardized preprocessing, training, inference, and evaluation protocols, enabling fair and reproducible comparison of existing methods.
• Abstract（参考訳）: マンモグラフィーによる乳癌の正確なリスク予測は,リスク階層化とパーソナライズドスクリーニングの改善に不可欠である。 縦断的乳房組織の変化と頭蓋頭蓋骨(CC)と中側方斜視(MLO)の相補的解剖情報の両方が有用である。 経時的情報を活用するには、検査全体で対応する組織領域を特定する必要があるが、ほとんどのアプローチは、空間的一貫性を明示的に強制することなく、暗黙的な特徴アライメントに依存している。 近年の研究では、時間的アライメントの利点が実証されているが、既存の手法はそれぞれのビューを独立にモデル化し、補完的なCCやMLOの情報を利用するのを妨げている。 さらに、明確なアプローチは、単一の事前試験に限られている。 これらのギャップを埋めるために, 検診におけるCCとMLOのビューを協調的にモデル化し, 種々の事前検査を収容しながら, 胸側縦方向のマルチビュー・フレームワーク(github.com/sot176/FlexLMV-Net)を提案する。 FlexLMV-Netは縦長の特徴マップを明示的に整列し、クロスビュー時間融合とデュアルストリームアテンションブロックを通じて補完ビューを統合する。 EMBEDとCSAW-CCで評価されたFlexLMV-Netは、乳房密度、癌サブタイプ、人口統計学的サブグループの既存のアプローチを一貫して上回り、明確な縦方向アライメント、マルチビューモデリング、利用可能なスクリーニング履歴の柔軟な利用の利点を強調している。 さらに、標準化された前処理、トレーニング、推論、評価プロトコルの下で、最先端のシングルポイントおよびマルチポイント乳がんリスク予測モデルを統一したオープンソースのベンチマークであるgithub.com/sot176/BCRBenchを導入し、既存手法の公正かつ再現可能な比較を可能にする。

関連論文リスト

• Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction [88.75611734671661]
  生存予測のためのアンカー駆動型マルチモーダル・マルチスケールエキスパート選択(AM$2$ES)フレームワークを提案する。 具体的には,Anchor-driven Multi-modal Fusion (AMF)モジュールについて述べる。 この整列したセマンティック空間に基づいて、階層的確率的選択プロセスを切り離すために階層的混合(H-MoE)選択モジュールを更に設計する。
  論文  参考訳（メタデータ） (2026-10-06T03:32:37Z)
• Longitudinal Multi-View Breast Cancer Risk Prediction [20.98092150618352]
  LMV-Netは長手多視点乳がんリスク予測モデルである。 解剖学的に相補的なCCとMLOのビューを、明示的に整列された縦長のフレームワーク内で共同で解析する。 我々のモデルは、全体的なリスク予測性能において、既存のアプローチを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-13T10:06:04Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms [0.0]
  LongiMamは、現在と4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルである。 LongiMamは、先行マンモグラフィーを含む場合の予測を継続的に改善した。 乳房密度の経時変化が観察された女性では, モデルが最も良好であった。
  論文  参考訳（メタデータ） (2025-09-23T15:57:55Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• 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)
• Multi-View Hypercomplex Learning for Breast Cancer Screening [15.961240921898586]
  多視点乳がん分類のための新しい学習パラダイムである多視点超複雑学習を導入する。 超複素代数のおかげで、我々のモデルは本質的にビュー内関係とビュー間関係の両方を捉えている。 我々のアプローチは、最先端のマルチビューモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-04-12T13:32:31Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。