Fugu-MT 論文翻訳(概要): Classification with 2-D Convolutional Neural Networks for breast cancer diagnosis

論文の概要: Classification with 2-D Convolutional Neural Networks for breast cancer diagnosis

arxiv url: http://arxiv.org/abs/2007.03218v2
Date: Wed, 29 Jul 2020 00:24:24 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 19:49:43.233651
Title: Classification with 2-D Convolutional Neural Networks for breast cancer diagnosis
Title（参考訳）: 乳がん診断のための2次元畳み込みニューラルネットワークの分類
Authors: Anuraganand Sharma, Dinesh Kumar
Abstract要約: 最先端の分類モデル - 畳み込みニューラルネットワーク(CNN)は、1次元形式で表現される臨床データでは使用できない。我々は1次元のデータベクトルを2次元のグラフィカル画像に変換するデータラングリングの新たな前処理法を提案してきた。
参考スコア（独自算出の注目度）: 6.268877586243152
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Breast cancer is the most common cancer in women. Classification of cancer/non-cancer patients with clinical records requires high sensitivity and specificity for an acceptable diagnosis test. The state-of-the-art classification model - Convolutional Neural Network (CNN), however, cannot be used with clinical data that are represented in 1-D format. CNN has been designed to work on a set of 2-D matrices whose elements show some correlation with neighboring elements such as in image data. Conversely, the data examples represented as a set of 1-D vectors -- apart from the time series data -- cannot be used with CNN, but with other classification models such as Artificial Neural Networks or RandomForest. We have proposed some novel preprocessing methods of data wrangling that transform a 1-D data vector, to a 2-D graphical image with appropriate correlations among the fields to be processed on CNN. We tested our methods on Wisconsin Original Breast Cancer (WBC) and Wisconsin Diagnostic Breast Cancer (WDBC) datasets. To our knowledge, this work is novel on non-image to image data transformation for the non-time series data. The transformed data processed with CNN using VGGnet-16 shows competitive results for the WBC dataset and outperforms other known methods for the WDBC dataset.
Abstract（参考訳）: 乳癌は女性にとって最も多いがんである。臨床記録のあるがん/非がん患者の分類は、許容できる診断試験のために高い感度と特異性を必要とする。しかし、最先端の分類モデルである畳み込みニューラルネットワーク(CNN)は、1次元形式で表現される臨床データでは利用できない。 cnnは、画像データなどの隣接要素と何らかの相関を示す2次元行列の組に取り組むよう設計されている。逆に、時系列データを除く1次元ベクトルの集合として表現されたデータ例は、cnnでは使用できないが、ニューラルネットワークやランダムフォレストといった他の分類モデルでは使用できない。我々は,1次元データベクトルをCNNで処理するフィールド間で適切な相関関係を持つ2次元グラフィカル画像に変換する,データラングリングの新たな前処理手法を提案する。我々はウィスコンシン原乳がん(WBC)とウィスコンシン診断乳がん(WDBC)のデータセットを用いて検査を行った。我々の知る限り、この研究は非時系列データに対する画像データ変換の非イメージに関する新しい試みである。 VGGnet-16を使用してCNNで処理された変換データは、WBCデータセットの競合結果を示し、WDBCデータセットの他の既知のメソッドよりも優れている。

関連論文リスト

MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
論文参考訳（メタデータ） (2024-11-02T07:18:53Z)
Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images [0.6798775532273751]
COVID19-DANetは、機能抽出のためにトレーニング済みのCNNバックボーンに基づいている。 SARS-CoV-2-CTとCOVID19-CTデータセットを使用して、4つのクロスデータセットシナリオでテストされる。
論文参考訳（メタデータ） (2023-11-14T20:36:34Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Breast Cancer Diagnosis in Two-View Mammography Using End-to-End Trained EfficientNet-Based Convolutional Network [0.0]
深層畳み込みニューラルネットワークは、ヒトの専門家と同等またはそれ以上の性能の乳がんをマンモグラムで診断する。本稿では,2つの転帰学習から成る最良技術について紹介する。
論文参考訳（メタデータ） (2021-10-01T22:09:59Z)
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)
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)
C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification [6.85316573653194]
生体医用画像の分類を行うために,C-Netと呼ばれる複数のネットワークの結合からなる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 C-Netモデルは、両方のデータセットの個々のメトリクスにおける他のモデルよりも優れており、誤分類はゼロである。
論文参考訳（メタデータ） (2020-10-30T20:03:20Z)
SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2020-05-30T16:01:31Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。