A multi-reconstruction study of breast density estimation using Deep Learning

要約

乳房密度の推定は、乳がんの素因がある個人を認識する際の重要なタスクの 1 つです。
コントラストが低く、マンモグラムの脂肪組織の背景が変動するため、困難なことがよくあります。
ほとんどの場合、乳房密度は手動で推定され、放射線科医は、乳房画像および報告データ システム (BI-RADS) によって決定された 4 つの密度カテゴリのいずれかを割り当てます。
乳房密度分類パイプラインを自動化する方向への努力がなされてきました。
乳房密度の推定は、スクリーニング検査中に実行される重要なタスクの 1 つです。
密度の高い乳房は、乳がんにかかりやすくなります。
コントラストが低く、マンモグラムの脂肪組織の背景が変動するため、密度の推定は困難です。
従来のマンモグラムは、トモシンセシスやその他の低放射線量バリアント (Hologic の Intelligent 2D や C-View など) に置き換えられています。
低線量要件のため、ますます多くのスクリーニング センターがインテリジェント 2D ビューと C-View を支持しています。
乳房密度推定の深層学習研究では、ニューラル ネットワークのトレーニングに 1 つのモダリティのみを使用します。
ただし、これを行うと、データセット内の画像の数が制限されます。
この論文では、一度にすべてのモダリティでトレーニングされたニューラル ネットワークが、単一のモダリティでトレーニングされたニューラル ネットワークよりも優れたパフォーマンスを発揮することを示します。
これらの結果については、受信者オペレーター特性曲線の下の領域を使用して説明します。

要約(オリジナル)

Breast density estimation is one of the key tasks in recognizing individuals predisposed to breast cancer. It is often challenging because of low contrast and fluctuations in mammograms’ fatty tissue background. Most of the time, the breast density is estimated manually where a radiologist assigns one of the four density categories decided by the Breast Imaging and Reporting Data Systems (BI-RADS). There have been efforts in the direction of automating a breast density classification pipeline. Breast density estimation is one of the key tasks performed during a screening exam. Dense breasts are more susceptible to breast cancer. The density estimation is challenging because of low contrast and fluctuations in mammograms’ fatty tissue background. Traditional mammograms are being replaced by tomosynthesis and its other low radiation dose variants (for example Hologic’ Intelligent 2D and C-View). Because of the low-dose requirement, increasingly more screening centers are favoring the Intelligent 2D view and C-View. Deep-learning studies for breast density estimation use only a single modality for training a neural network. However, doing so restricts the number of images in the dataset. In this paper, we show that a neural network trained on all the modalities at once performs better than a neural network trained on any single modality. We discuss these results using the area under the receiver operator characteristics curves.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google