論文の概要: MIXCAPS: A Capsule Network-based Mixture of Experts for Lung Nodule Malignancy Prediction

• arxiv url: http://arxiv.org/abs/2008.06072v1
• Date: Thu, 13 Aug 2020 18:16:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:06:21.166721
• Title: MIXCAPS: A Capsule Network-based Mixture of Experts for Lung Nodule Malignancy Prediction
• Title（参考訳）: MIXCAPS:肺結節悪性度予測のためのカプセルネットワークによるエキスパートの混合
• Authors: Parnian Afshar, Farnoosh Naderkhani, Anastasia Oikonomou, Moezedin Javad Rafiee, Arash Mohammadi, and Konstantinos N. Plataniotis
• Abstract要約: 肺炎、結核、新しいコロナウイルス(COVID-19)などの肺疾患が著しく広がっている。 そこで本研究では,MIXCAPSと呼ばれる新しいカプセルネットワークを用いた専門家の混合物を提案する。 以上の結果から、MIXCAPSは、92.88%の精度、93.2%の感度、92.3%の特異性、0.963の曲線下での面積において、単一のカプセルネットワークとCNNの混合よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 34.69256401640861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung diseases including infections such as Pneumonia, Tuberculosis, and novel Coronavirus (COVID-19), together with Lung Cancer are significantly widespread and are, typically, considered life threatening. In particular, lung cancer is among the most common and deadliest cancers with a low 5-year survival rate. Timely diagnosis of lung cancer is, therefore, of paramount importance as it can save countless lives. In this regard, deep learning radiomics solutions have the promise of extracting the most useful features on their own in an end-to-end fashion without having access to the annotated boundaries. Among different deep learning models, Capsule Networks are proposed to overcome shortcomings of the Convolutional Neural Networks (CNN) such as their inability to recognize detailed spatial relations. Capsule networks have so far shown satisfying performance in medical imaging problems. Capitalizing on their success, in this study, we propose a novel capsule network-based mixture of experts, referred to as the MIXCAPS. The proposed MIXCAPS architecture takes advantage of not only the capsule network's capabilities to handle small datasets, but also automatically splitting dataset through a convolutional gating network. MIXCAPS enables capsule network experts to specialize on different subsets of the data. Our results show that MIXCAPS outperforms a single capsule network and a mixture of CNNs, with an accuracy of 92.88%, sensitivity of 93.2%, specificity of 92.3% and area under the curve of 0.963. Our experiments also show that there is a relation between the gate outputs and a couple of hand-crafted features, illustrating explainable nature of the proposed MIXCAPS. To further evaluate generalization capabilities of the proposed MIXCAPS architecture, additional experiments on a brain tumor dataset are performed showing potentials of MIXCAPS for detection of tumors related to other organs.
• Abstract（参考訳）: 肺炎、結核、新しいコロナウイルス(COVID-19)などの肺疾患は、肺癌とともに非常に広く、一般的には生命の脅威と考えられている。 特に、肺癌は5年生存率の低い最も一般的で致命的ながんの1つである。 したがって、肺がんのタイムリーな診断は、無数の命を救えるため、最重要事項である。 この点において、ディープラーニングラジオミクスソリューションは、注釈付き境界にアクセスすることなく、エンドツーエンドで最も有用な特徴を単独で抽出する、という約束を持っている。 様々なディープラーニングモデルの中で、カプセルネットワークは、詳細な空間関係を認識できないなど、畳み込みニューラルネットワーク(CNN)の欠点を克服するために提案されている。 カプセルネットワークはこれまでのところ、医療画像問題における性能に満足している。 そこで本研究では,その成功を活かし,mixcapsと呼ばれる新しいカプセルネットワークに基づく専門家の混合物を提案する。 提案されたMIXCAPSアーキテクチャは、カプセルネットワークの小さなデータセットを処理する能力だけでなく、畳み込みゲーティングネットワークを通じてデータセットを自動的に分割する能力を利用する。 MIXCAPSにより、カプセルネットワークの専門家はデータのさまざまなサブセットを専門化できる。 その結果、mixcapsは1つのカプセルネットワークとcnnの混合物よりも精度92.88%、感度93.2%、特異度92.3%、曲線下の面積0.963であった。 また, 提案手法では, ゲート出力と手作りの2つの特徴との間に関係があることを示し, 提案するミックスキャップの説明可能な性質を示した。 提案したMIXCAPSアーキテクチャの一般化能力を更に評価するために、他の臓器に関連する腫瘍を検出するためのMIXCAPSの可能性を示す脳腫瘍データセットに関する追加実験を行った。

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)
• EVENet: Evidence-based Ensemble Learning for Uncertainty-aware Brain Parcellation Using Diffusion MRI [5.757390718589337]
  拡散MRIを用いた解剖学的脳解析のためのEvidence-based Ensemble Neural Network, EVENetを開発した。 健常層および臨床集団の異なるデータセットの正確なパーセレーションと不確実性の推定値を得た。 この不確実性評価により,EVENet法は病変症例の異常脳領域の検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-09-11T05:26:23Z)
• Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
  肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。 肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。 以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
  論文  参考訳（メタデータ） (2024-08-18T05:45:08Z)
• CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19 [0.0]
  我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。 提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。 提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
  論文  参考訳（メタデータ） (2023-02-17T17:18:02Z)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
  CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。 本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
  論文  参考訳（メタデータ） (2020-12-17T09:53:51Z)
• CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks [33.773060540360625]
  新型コロナウイルス(COVID-19)の世界的な流行は世界に大きな影響を与えており、第二次世界大戦以来最も困難な危機の1つとなっている。 新型コロナウイルス感染者の早期診断と隔離は、感染拡大を予防し、流行曲線をフラット化するための重要な手段と考えられている。 最近では、主に畳み込みニューラルネットワーク(CNN)に基づくディープラーニングベースのモデルが、有望な診断結果を示している。 本稿では,CT-CAPS(CT-CAPS)と呼ばれるCapsule Networkフレームワークを用いて,胸部CTスキャンの特徴を自動抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T03:35:29Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。