Fugu-MT 論文翻訳(概要): Breast Cancer Detection Using Convolutional Neural Networks

論文の概要: Breast Cancer Detection Using Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2003.07911v3
Date: Wed, 19 Aug 2020 06:11:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 21:41:11.610313
Title: Breast Cancer Detection Using Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークを用いた乳癌検出
Authors: Simon Hadush, Yaecob Girmay, Abiot Sinamo, Gebrekirstos Hagos
Abstract要約: エチオピアでは女性がん患者の34%を占める乳がんが一般的である。深層学習技術は医療画像分析の分野に革命をもたらしている。本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
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: Breast cancer is prevalent in Ethiopia that accounts 34% among women cancer patients. The diagnosis technique in Ethiopia is manual which was proven to be tedious, subjective, and challenging. Deep learning techniques are revolutionizing the field of medical image analysis and hence in this study, we proposed Convolutional Neural Networks (CNNs) for breast mass detection so as to minimize the overheads of manual analysis. CNN architecture is designed for the feature extraction stage and adapted both the Region Proposal Network (RPN) and Region of Interest (ROI) portion of the faster R-CNN for the automated breast mass abnormality detection. Our model detects mass region and classifies them into benign or malignant abnormality in mammogram(MG) images at once. For the proposed model, MG images were collected from different hospitals, locally.The images were passed through different preprocessing stages such as gaussian filter, median filter, bilateral filters and extracted the region of the breast from the background of the MG image. The performance of the model on test dataset is found to be: detection accuracy 91.86%, sensitivity of 94.67% and AUC-ROC of 92.2%.
Abstract（参考訳）: エチオピアでは女性がん患者の34%を占める乳がんが一般的である。エチオピアの診断技術は、退屈で主観的で困難であることが証明されたマニュアルである。そこで本研究では,手動画像解析のオーバーヘッドを最小限に抑えるために,乳房腫瘤検出のための畳み込みニューラルネットワーク(CNN)を提案する。 CNNアーキテクチャは特徴抽出段階のために設計されており、乳腺自動異常検出のための高速なR-CNNの地域提案ネットワーク(RPN)と地域関心(ROI)の両方に適応している。マンモグラム(mg)画像中の腫瘤領域を検出し,良性または悪性の異常を一度に分類する。提案したモデルでは, 局所的に異なる病院からMG画像を収集し, ガウスフィルター, 中央フィルタ, 両側フィルタなどの異なる前処理段階を通過し, MG画像の背景から乳房領域を抽出した。テストデータセットにおけるモデルの性能は、検出精度91.86%、感度94.67%、AUC-ROC92.2%である。

関連論文リスト

Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Breast cancer detection using deep learning [0.0]
本稿では,マイクロ波イメージング画像の再構成画像から乳がんを検出するための深層学習モデルを提案する。 NASNetLargeは、88.41%、27.82%の精度でCNNモデルに使用できる最高のアーキテクチャである。
論文参考訳（メタデータ） (2023-04-20T15:22:12Z)
A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images [0.0]
ディープニューラルネットワーク(Deep Neural Network, DNN)は、乳がんの検出精度を向上させるために一般的に用いられる。病理組織像のデータセットを用いて,乳がん検出のための事前訓練深達度学習モデルの解析を行った。転送学習モデルを解析した結果,ResNet50の精度は90.2%,曲線下面積(AUC)は90.0%,リコール率は94.7%,限界損失は3.5%であった。
論文参考訳（メタデータ） (2023-04-11T07:17:55Z)
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)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文参考訳（メタデータ） (2021-01-24T03:30:59Z)
Comparison of different CNNs for breast tumor classification from ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文参考訳（メタデータ） (2020-12-28T22:54:08Z)
Segmentation of Infrared Breast Images Using MultiResUnet Neural Network [0.0]
乳がん検診における非侵襲的乳房造影剤として赤外線サーモグラフィーを検討中である。自己エンコーダ様畳み込み畳み込みニューラルネットワーク(C-DCNN)は、以前の研究で乳房領域を自動的にIR画像に分割するために応用された。本研究では,現在最先端のディープラーニングセグメンテーションモデルであるMultiResUnetを適用した。
論文参考訳（メタデータ） (2020-10-31T22:15:28Z)
Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文参考訳（メタデータ） (2020-03-23T01:26:36Z)

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。