MammoDL: Mammographic Breast Density Estimation using Federated Learning

要約

画像から乳がんリスクを評価することは依然として主観的なプロセスであり、放射線科医は単純なコンピュータ支援検出 (CAD) システムまたは質的視覚評価を使用して乳房パーセント密度 (PD) を推定します。
機械学習 (ML) モデルは、早期、正確、公平な診断のために乳がんリスクを定量化する最も有望な方法になっていますが、医学研究におけるそのようなモデルのトレーニングは、多くの場合、小規模な単一機関のデータに制限されています。
患者の人口統計と画像の特徴は画像診断サイトによって大きく異なる可能性があるため、単一機関のデータでトレーニングされたモデルは一般化されない傾向があります。
この問題に対応して、MammoDL が提案されました。これは、U-Net アーキテクチャを活用してマンモグラフィから乳房 PD と複雑さを正確に推定するオープンソース ソフトウェア ツールです。
Open Federated Learning (OpenFL) ライブラリを使用することで、このソリューションは複数の機関にわたるデータセットの安全なトレーニングを可能にします。
MammoDL は、以前のモデルよりもスリムで柔軟なモデルであり、より大規模でより代表的なデータセットでのフェデレーション対応トレーニングにより、一般化が改善されています。

要約(オリジナル)

Assessing breast cancer risk from imaging remains a subjective process, in which radiologists employ simple computer aided detection (CAD) systems or qualitative visual assessment to estimate breast percent density (PD). Machine learning (ML) models have become the most promising way to quantify breast cancer risk for early, accurate, and equitable diagnoses, but training such models in medical research is often restricted to small, single-institution data. Since patient demographics and imaging characteristics may vary considerably across imaging sites, models trained on single-institution data tend not to generalize well. In response to this problem, MammoDL is proposed, an open-source software tool that leverages a U-Net architecture to accurately estimate breast PD and complexity from mammography. With the Open Federated Learning (OpenFL) library, this solution enables secure training on datasets across multiple institutions. MammoDL is a leaner, more flexible model than its predecessors, boasting improved generalization due to federation-enabled training on larger, more representative datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google