論文の概要: Impact of Input Resolution in Mammographic Mass Detection: A Controlled Multi-Architecture Study

• arxiv url: http://arxiv.org/abs/2611.04200v1
• Date: Tue, 03 Nov 2026 02:36:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:22:51.051349
• Title: Impact of Input Resolution in Mammographic Mass Detection: A Controlled Multi-Architecture Study
• Title（参考訳）: マンモグラフィ質量検出における入力分解能の影響:マルチアーキテクチャーによる検討
• Abstract要約: 高い入力解像度は、主に最も検出が難しい小さな質量の恩恵を受ける。 最も高いmAP50は、質量陽性のVinDr-Mammo画像に報告されている。
• 参考スコア（独自算出の注目度）: 2.3963327499793885
• License:
• Abstract: Deep-learning-based mass detectors usually downsample mammograms, trading fine image detail for lower computational cost. However, published studies cannot reveal how much accuracy this trade-off sacrifices, since they also differ in architecture, preprocessing, and evaluation protocol. In this work, we isolated the effect of input resolution in a controlled study on the VinDr-Mammo dataset, training 18 detectors at six input resolutions ranging from 512 x 416 to 1600 x 1280 pixels, for 108 model-resolution combinations. Whole mammograms were resized without cropping or tiling. For each model, preprocessing, model initialization, augmentation, and evaluation procedures were kept fixed across resolutions. Detection accuracy was evaluated by mAP50 on the 219 mass-positive images of the official test split, and 57 combinations with test mAP50 of at least 0.60 were analyzed. From the lowest to the highest resolution, median mAP50 rose from 0.626 to 0.660 and the best mAP50 from 0.670 to 0.709. The best result, achieved by DINO with a ConvNeXt-S backbone, is the highest mAP50 reported to date on mass-positive VinDr-Mammo images. Gains were concentrated in small masses: for the smallest third of lesions, median mAP50 rose by 0.074 (from 0.367 to 0.441), compared with 0.007 and 0.032 for medium and large masses. Median training time increased from 0.45 to 1.40 h, and median inference time from 23.6 to 113.7 ms per image. Therefore, higher input resolution mainly benefits the small masses that are hardest to detect, at a computational cost that remains practical.
• Abstract（参考訳）: 深層学習に基づく質量検出器は通常マンモグラフィーをダウンサンプルし、計算コストを下げるために微細な画像の詳細を取引する。 しかし、アーキテクチャ、前処理、評価プロトコルにも違いがあるため、このトレードオフがどれほどの正確さを犠牲にしたかは公表されていない。 本研究は, VinDr-Mammoデータセットの制御実験において, 入力解像度の影響を分離し, モデル解像度を108のモデル解像度の組み合わせに対して, 512 x 416 から 1600 x 1280 ピクセルまでの6種類の入力解像度で18個の検出器を訓練した。 片方のマンモグラフィーは、収穫やタイリングなしで再サイズされた。 各モデルについて, 事前処理, モデル初期化, 拡張, 評価手順を, 解像度で固定した。 公式試験分割の質量陽性画像219枚についてmAP50を用いて検出精度を評価し,少なくとも0.60枚のmAP50と57枚の組み合わせを解析した。 最低値から最高値まで、中央値のmAP50は0.626から0.660に上昇し、最高値のmAP50は0.670から0.709に上昇した。 最も良い結果は、DINOがConvNeXt-Sのバックボーンで達成し、質量陽性のVinDr-Mammo画像上で報告された最も高いmAP50である。 病変の3分の1は中央値が0.074(0.367から0.441まで)上昇し,中大質量では0.007および0.032となった。 メディアトレーニング時間は0.45から1.40hに増加し、中央値は23.6から113.7msに増加した。 したがって、高い入力分解能は、最も検出が難しい小さな質量に対して、実用的な計算コストで主に恩恵を受ける。

関連論文リスト

• Less Is More: A Leakage-Controlled Study of Dermoscopic Preprocessing for Joint Skin Lesion Classification and Segmentation with YOLO26 [2.041172405008254]
  本研究は,皮膚鏡視下前処理と拡張のリーク制御,病変結合性評価について述べる。 HAM10000 (10,015画像) から、7,468のユニークな病変から10,013の有効画像マスク対が得られる。 オフラインのクラスバランシング、DullRazor-CLAHE前処理、生処理されたハイブリッドビューに対して、最小限の処理された画像とオンライン拡張を比較した。
  論文  参考訳（メタデータ） (2026-10-06T15:47:39Z)
• CineMR: Tool-Integrated Vision-Language Reasoning for Quantitative Cardiac MRI Assessment [48.337540718172384]
  心臓血管磁気共鳴(CMR)は、心臓形態および心機能の非侵襲的評価基準である。 現在の医療ビジョン言語モデル(VLM)は、多次元シネ画像から定量的な測定を確実に導き出すことはできない。 我々は,心画像解析ツールを起動し,その出力を定量的なCMR評価のためのインターリーブ推論に統合するツール拡張VLMであるCineMRを提案する。
  論文  参考訳（メタデータ） (2026-10-01T06:43:42Z)
• Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
  本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。 入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
  論文  参考訳（メタデータ） (2026-09-18T11:08:02Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
  医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。 モデルの一般化性を評価するには、さらなる外部検証が必要である。
  論文  参考訳（メタデータ） (2024-02-08T16:54:20Z)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• 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)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Deep machine learning-assisted multiphoton microscopy to reduce light exposure and expedite imaging [8.284995747555229]
  2光子励起蛍光(2PEF)は、組織を厚さ約1mmまでイメージングする。 本研究は、画像品質を最大化するために深層学習を適用してヒト組織イメージングを改善することを検討する。
  論文  参考訳（メタデータ） (2020-11-10T21:24:42Z)
• SCREENet: A Multi-view Deep Convolutional Neural Network for Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
  本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。 画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
  論文  参考訳（メタデータ） (2020-09-18T00:12:33Z)

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。