論文の概要: Autoencoders as Weight Initialization of Deep Classification Networks
for Cancer versus Cancer Studies
- arxiv url: http://arxiv.org/abs/2001.05253v1
- Date: Wed, 15 Jan 2020 11:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 05:47:39.575822
- Title: Autoencoders as Weight Initialization of Deep Classification Networks
for Cancer versus Cancer Studies
- Title（参考訳）: がん研究のための深層分類ネットワークの重量初期化としてのオートエンコーダ
- Authors: Mafalda Falcao Ferreira, Rui Camacho, Luis F. Teixeira
- Abstract要約: 甲状腺,皮膚,胃の3種類の癌を鑑別することを目的としている。
実験では,分類モデルを訓練する際の2つのアプローチについて検討した。
我々の一番の成果は、DAEによる教師なしの機能学習の組み合わせであり、続いて分類ネットワークへの完全なインポートでした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cancer is still one of the most devastating diseases of our time. One way of
automatically classifying tumor samples is by analyzing its derived molecular
information (i.e., its genes expression signatures). In this work, we aim to
distinguish three different types of cancer: thyroid, skin, and stomach. For
that, we compare the performance of a Denoising Autoencoder (DAE) used as
weight initialization of a deep neural network. Although we address a different
domain problem in this work, we have adopted the same methodology of Ferreira
et al.. In our experiments, we assess two different approaches when training
the classification model: (a) fixing the weights, after pre-training the DAE,
and (b) allowing fine-tuning of the entire classification network.
Additionally, we apply two different strategies for embedding the DAE into the
classification network: (1) by only importing the encoding layers, and (2) by
inserting the complete autoencoder. Our best result was the combination of
unsupervised feature learning through a DAE, followed by its full import into
the classification network, and subsequent fine-tuning through supervised
training, achieving an F1 score of 98.04% +/- 1.09 when identifying cancerous
thyroid samples.
- Abstract（参考訳）: 癌は、今なお、最も壊滅的な病気の1つです。
腫瘍サンプルを自動的に分類する方法の一つは、その派生した分子情報(すなわち遺伝子の発現シグネチャ)を分析することである。
本研究の目的は,甲状腺,皮膚,胃の3種類の癌を区別することである。
そのために、ディープニューラルネットワークの重み付け初期化に使用されるDenoising Autoencoder(DAE)の性能を比較した。
この研究で異なるドメイン問題に対処するが、我々はFerreiraらと同じ方法論を採用してきた。
実験では,分類モデルの訓練における2つの異なるアプローチを評価した。
(a)daeを事前訓練した後、重量を固定し、
(b)分類ネットワーク全体の微調整を可能にする。
さらに,DAEを分類ネットワークに埋め込むには,(1)符号化層のみをインポートすること,(2)完全オートエンコーダを挿入すること,の2つの戦略を適用する。
その結果,DAEによる非教師付き特徴学習と分類ネットワークへの完全インポート,および教師付きトレーニングによる微調整を併用し,癌甲状腺検体同定時のF1スコア98.04%+/-1.09を達成できた。
関連論文リスト
- Normative Modeling for AD Diagnosis and Biomarker Identification [11.62848839498082]
本稿では,アルツハイマー病(AD)の診断とバイオマーカー同定のために,焦点障害と対向自己エンコーダ(FAAE)を取り入れた新しい規範的モデリング手法を提案する。
本手法は,自己エンコーダ構造内に対向焦点損失判別器を組み込むエンド・ツー・エンドの手法である。
論文 参考訳（メタデータ） (2024-11-15T20:45:16Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Neural Population Decoding and Imbalanced Multi-Omic Datasets For Cancer
Subtype Diagnosis [0.0]
人口復号化がWTAネットワークの分類性能に顕著な影響を与えていることを示す。
The Cancer Genome Atlasのデータセットを用いて,多眼データからの癌サブタイプ診断の問題にWTAネットワークを適用した。
論文 参考訳（メタデータ） (2024-01-06T06:54:58Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - ReCasNet: Improving consistency within the two-stage mitosis detection
framework [5.263015177621435]
既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。
このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。
Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
論文 参考訳（メタデータ） (2022-02-28T16:03:14Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。