Fugu-MT 論文翻訳(概要): Bimodal Distribution Removal and Genetic Algorithm in Neural Network for Breast Cancer Diagnosis

論文の概要: Bimodal Distribution Removal and Genetic Algorithm in Neural Network for Breast Cancer Diagnosis

arxiv url: http://arxiv.org/abs/2002.08729v1
Date: Thu, 20 Feb 2020 13:51:40 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 06:13:55.881700
Title: Bimodal Distribution Removal and Genetic Algorithm in Neural Network for Breast Cancer Diagnosis
Title（参考訳）: 乳癌診断のためのニューラルネットワークにおけるバイモーダル分布除去と遺伝的アルゴリズム
Authors: Ke Quan
Abstract要約: 本稿では,BDR (Bimodal Distribution removal) の目的癌診断分類問題に対する効果について検討する。 BDRプロセスは実際には分類性能に悪影響を及ぼす。本稿では,遺伝的アルゴリズムを特徴選択のための効率的なツールとして検討する。
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: Diagnosis of breast cancer has been well studied in the past. Multiple linear programming models have been devised to approximate the relationship between cell features and tumour malignancy. However, these models are less capable in handling non-linear correlations. Neural networks instead are powerful in processing complex non-linear correlations. It is thus certainly beneficial to approach this cancer diagnosis problem with a model based on neural network. Particularly, introducing bias to neural network training process is deemed as an important means to increase training efficiency. Out of a number of popular proposed methods for introducing artificial bias, Bimodal Distribution Removal (BDR) presents ideal efficiency improvement results and fair simplicity in implementation. However, this paper examines the effectiveness of BDR against the target cancer diagnosis classification problem and shows that BDR process in fact negatively impacts classification performance. In addition, this paper also explores genetic algorithm as an efficient tool for feature selection and produced significantly better results comparing to baseline model that without any feature selection in place
Abstract（参考訳）: 乳癌の診断は過去によく研究されてきた。細胞の特徴と腫瘍悪性度の関係を近似するために複数の線形計画モデルが考案されている。しかし、これらのモデルは非線形相関を扱う能力が低い。ニューラルネットワークは複雑な非線形相関を処理するのに強力である。したがって、ニューラルネットワークに基づくモデルを用いて、このがん診断問題にアプローチすることは確かに有益である。特に、ニューラルネットワークトレーニングプロセスにバイアスを導入することは、トレーニング効率を高める重要な手段だと考えられている。人工バイアスを導入するための多くの一般的な手法のうち、バイモーダル分布除去(BDR)は理想的な効率改善結果と実装の公正な簡易性を示す。しかし,本論文では,BDRが対象癌診断の分類問題に対する効果を検証し,BDRプロセスが実際に分類性能に悪影響を及ぼすことを示す。さらに, 遺伝的アルゴリズムを特徴選択の効率的なツールとして検討し, 特徴選択が不要なベースラインモデルと比較し, 結果の精度も向上した。

関連論文リスト

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)
Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
論文参考訳（メタデータ） (2024-07-25T04:09:17Z)
Segmentation of Non-Small Cell Lung Carcinomas: Introducing DRU-Net and Multi-Lens Distortion [0.1935997508026988]
我々は,ヒト非小細胞肺癌の悪性度を規定するセグメンテーションモデル(DRU-Net)を提案している。我々は提案したモデルを作成するために2つのデータセット(ノルウェーの肺がんバイオバンクとHaukeland大学肺がんコホート)を使用した。提案した空間拡張法(マルチレンズ歪み)により,ネットワーク性能は3%向上した。
論文参考訳（メタデータ） (2024-06-20T13:14:00Z)
Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文参考訳（メタデータ） (2024-04-14T12:09:47Z)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Integration of Radiomics and Tumor Biomarkers in Interpretable Machine Learning Models [0.0]
本稿では,専門家由来の放射能とDNN予測バイオマーカーを解釈可能な分類器に統合することを提案する。評価と実用化において,ConRadへの入力は分割CTスキャンのみである。提案したConRadモデルでは,CBM由来のバイオマーカーと放射能の特徴を解釈可能なMLモデルで組み合わせ,肺悪性度分類に優れる。
論文参考訳（メタデータ） (2023-03-20T15:00:52Z)
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)
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)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文参考訳（メタデータ） (2020-02-11T15:48:22Z)

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。