マンモグラフィー転移学習の再考：データセット情報に基づくフレームワーク

• マンモグラフィーにおける分類性能の向上は依然として課題です。
• 本研究では、データセット特有の特徴を考慮した新しい転移学習フレームワークDITLを提案します。
• DITLは、従来の手法に比べて柔軟性が高く、大規模データセットでも優れた性能を発揮します。

マンモグラフィーの分類精度向上は、特に小規模データセットや大規模臨床コホートにおいて重要な課題です。本論文では、データセット特有の難易度信号を取り入れた新しい転移学習フレームワークDITLを提案し、マンモグラフィーの全画像分類において最先端の性能を達成しました。特に、DITLは小規模データセットでも一貫した改善を示し、臨床的に重要な応用が期待されます。

医療画像処理や機械学習に興味がある研究者や実務者に向いています。