論文の概要: Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning

• arxiv url: http://arxiv.org/abs/2003.13503v3
• Date: Wed, 27 May 2020 05:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 00:09:06.878539
• Title: Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning
• Title（参考訳）: ハイブリッド・トランスファー・ラーニングを用いた近代マンモグラフィによる乳癌の診断
• Authors: Aditya Khamparia, Subrato Bharati, Prajoy Podder, Deepak Gupta, Ashish Khanna, Thai Kim Phung, Dang N. H. Thanh
• Abstract要約: 本稿では,乳癌検出のための転写学習プロセスに焦点を当てた。 本稿では,改良VGG 16,残差ネットワーク,移動ネットワークを提案し,実装した。
• 参考スコア（独自算出の注目度）: 5.835732870341059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is a common cancer for women. Early detection of breast cancer can considerably increase the survival rate of women. This paper mainly focuses on transfer learning process to detect breast cancer. Modified VGG (MVGG), residual network, mobile network is proposed and implemented in this paper. DDSM dataset is used in this paper. Experimental results show that our proposed hybrid transfers learning model (Fusion of MVGG16 and ImageNet) provides an accuracy of 88.3% where the number of epoch is 15. On the other hand, only modified VGG 16 architecture (MVGG 16) provides an accuracy 80.8% and MobileNet provides an accuracy of 77.2%. So, it is clearly stated that the proposed hybrid pre-trained network outperforms well compared to single architecture. This architecture can be considered as an effective tool for the radiologists in order to reduce the false negative and false positive rate. Therefore, the efficiency of mammography analysis will be improved.
• Abstract（参考訳）: 乳癌は女性にとって一般的ながんである。 乳がんの早期発見は女性の生存率を大幅に増加させる可能性がある。 本論文は,乳癌検出のための転写学習プロセスに焦点をあてる。 本稿では, 改良VGG(MVGG), 残差ネットワーク, 移動ネットワークを提案し, 実装した。 本論文ではDDSMデータセットを用いる。 実験の結果,提案したハイブリッドトランスファー学習モデル(MVGG16とImageNetの融合)は,エポック数が15の88.3%の精度を提供することがわかった。 一方、修正VGG 16アーキテクチャ(MVGG 16)のみが80.8%の精度を提供し、MobileNetは77.2%の精度を提供する。 したがって、提案したハイブリッド事前学習ネットワークは、単一アーキテクチャと比較して優れた性能を示す。 このアーキテクチャは、偽陰性率と偽陽性率を減らすために、放射線科医にとって有効なツールと見なすことができる。 そのため,マンモグラフィー解析の効率化が期待できる。

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)
• Deep Transfer Learning for Breast Cancer Classification [0.0]
  ディープトランスファー学習は、乳癌の分類を改善するための有望な手法として登場した。 本研究では,VGG,ViT,Resnetを用いて浸潤性直腸癌 (IDC) 画像の分類を行った。 その結果、Resnet-34は90.40%の精度でがん画像の分類が可能となった。
  論文  参考訳（メタデータ） (2024-09-05T15:54:41Z)
• 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)
• CEIMVEN: An Approach of Cutting Edge Implementation of Modified Versions of EfficientNet (V1-V2) Architecture for Breast Cancer Detection and Classification from Ultrasound Images [0.0]
  乳がんは女性の死亡数の最大の原因となっている。 近年の研究では、超音波画像やマンモグラフィーから乳がんを検出・分類し、深層ニューラルネットワークで分類する上で、医療画像処理と医療画像処理が重要な役割を担っている。 本研究では,EfficientNet の最先端版の改良版に対する厳密な実装と反復的な結果分析に焦点をあてた。
  論文  参考訳（メタデータ） (2023-08-25T13:05:06Z)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• 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)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
  提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。 分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
  論文  参考訳（メタデータ） (2022-09-03T09:27:00Z)
• 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)
• 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)

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。