論文の概要: Brain Tumor Classification Using Deep Learning Technique -- A Comparison
between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes
- arxiv url: http://arxiv.org/abs/2001.08844v1
- Date: Thu, 23 Jan 2020 23:05:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 12:55:27.551001
- Title: Brain Tumor Classification Using Deep Learning Technique -- A Comparison
between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes
- Title（参考訳）: 深層学習技術を用いた脳腫瘍の分類 -異なる大きさのクロップ画像, アンクロップ画像, セグメンテーション画像の比較-
- Authors: Ali Mohammad Alqudah, Hiam Alquraan, Isam Abu Qasmieh, Amin Alqudah,
Wafaa Al-Sharu
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、3064 T1重み付きコントラスト強調脳MR画像のデータセットを分類するための最も広く使われているディープラーニングアーキテクチャの1つである。
提案したCNN分類器は強力なツールであり、その全体的な性能は98.93%の精度と98.18%の感度である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning is the newest and the current trend of the machine learning
field that paid a lot of the researchers' attention in the recent few years. As
a proven powerful machine learning tool, deep learning was widely used in
several applications for solving various complex problems that require
extremely high accuracy and sensitivity, particularly in the medical field. In
general, brain tumor is one of the most common and aggressive malignant tumor
diseases which is leading to a very short expected life if it is diagnosed at
higher grade. Based on that, brain tumor grading is a very critical step after
detecting the tumor in order to achieve an effective treating plan. In this
paper, we used Convolutional Neural Network (CNN) which is one of the most
widely used deep learning architectures for classifying a dataset of 3064 T1
weighted contrast-enhanced brain MR images for grading (classifying) the brain
tumors into three classes (Glioma, Meningioma, and Pituitary Tumor). The
proposed CNN classifier is a powerful tool and its overall performance with
accuracy of 98.93% and sensitivity of 98.18% for the cropped lesions, while the
results for the uncropped lesions are 99% accuracy and 98.52% sensitivity and
the results for segmented lesion images are 97.62% for accuracy and 97.40%
sensitivity.
- Abstract（参考訳）: ディープラーニングは、ここ数年で研究者の注目を集めてきた機械学習分野の最新かつ現在のトレンドである。
強力な機械学習ツールとして、深層学習は、特に医学分野において非常に高い精度と感度を必要とする様々な複雑な問題を解決するために、様々なアプリケーションで広く用いられた。
一般に、脳腫瘍は最も一般的で攻撃的な悪性腫瘍疾患の1つであり、高位で診断されると非常に短い寿命を期待される。
以上より,脳腫瘍のグレーディングは,効果的な治療計画を達成するために,腫瘍検出後の極めて重要なステップである。
本稿では,3064 T1重み付きコントラスト強調脳MR画像から脳腫瘍を3つのクラス(グリオーマ,髄膜腫,下垂体腫瘍)に分類(分類)するために,最も広く使用されているディープラーニングアーキテクチャの一つである畳み込みニューラルネットワーク(CNN)を用いた。
提案したCNN分類器は, 精度98.93%, 感受性98.18%, 未切除病変99%, 感度98.52%, セグメント画像97.62%, 感度97.40%の強力なツールである。
関連論文リスト
- Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。
医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。
本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文 参考訳（メタデータ） (2024-07-15T11:30:40Z) - Streamlining Brain Tumor Classification with Custom Transfer Learning in
MRI Images [1.534667887016089]
脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。
本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
論文 参考訳（メタデータ） (2023-10-19T19:13:04Z) - Detection and Classification of Brain tumors Using Deep Convolutional
Neural Networks [0.0]
脳の腫瘍はがんなので致命的です。
脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。
本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
論文 参考訳（メタデータ） (2022-08-28T18:24:22Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。
深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文 参考訳（メタデータ） (2022-04-26T13:20:42Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - 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) - Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。
脳腫瘍は4件のがん死亡のうち1件を数えている。
本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。
3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
論文 参考訳（メタデータ） (2020-11-01T21:19:38Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。