論文の概要: Applying a random projection algorithm to optimize machine learning
model for breast lesion classification
- arxiv url: http://arxiv.org/abs/2009.09937v1
- Date: Wed, 9 Sep 2020 21:27:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 09:12:35.827232
- Title: Applying a random projection algorithm to optimize machine learning
model for breast lesion classification
- Title（参考訳）: ランダムプロジェクションアルゴリズムによる乳房病変分類のための機械学習モデルの最適化
- Authors: Morteza Heidari (1), Sivaramakrishnan Lakshmivarahan (2),
Seyedehnafiseh Mirniaharikandehei (1), Gopichandh Danala (1), Sai Kiran R.
Maryada (2), Hong Liu (1), Bin Zheng (1), ((1) School of Electrical and
Computer Engineering, University of Oklahoma, Norman, OK, USA, (2) School of
Computer Sciences, University of Oklahoma, Norman, OK, USA)
- Abstract要約: 悪性腫瘤を644例,良性病変を833例と確認した1,487例のマンモグラフィーを対象とする振り返りデータセットを構築した。
いくつかの特徴次元削減手法を組み込んだサポートベクターマシン(SVM)モデルを構築し,悪性病変の可能性を予測した。
SVMは、一視点マンモグラフィーに表される各セグメント化された質量領域の確率スコアを生成する。
2次元マンモグラムに表される同じ質量の2つのスコアを融合することにより、ケースベース確率スコアも評価する。
- 参考スコア（独自算出の注目度）: 0.2970239953900422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning is widely used in developing computer-aided diagnosis (CAD)
schemes of medical images. However, CAD usually computes large number of image
features from the targeted regions, which creates a challenge of how to
identify a small and optimal feature vector to build robust machine learning
models. In this study, we investigate feasibility of applying a random
projection algorithm to build an optimal feature vector from the initially
CAD-generated large feature pool and improve performance of machine learning
model. We assemble a retrospective dataset involving 1,487 cases of mammograms
in which 644 cases have confirmed malignant mass lesions and 843 have benign
lesions. A CAD scheme is first applied to segment mass regions and initially
compute 181 features. Then, support vector machine (SVM) models embedded with
several feature dimensionality reduction methods are built to predict
likelihood of lesions being malignant. All SVM models are trained and tested
using a leave-one-case-out cross-validation method. SVM generates a likelihood
score of each segmented mass region depicting on one-view mammogram. By fusion
of two scores of the same mass depicting on two-view mammograms, a case-based
likelihood score is also evaluated. Comparing with the principle component
analyses, nonnegative matrix factorization, and Chi-squared methods, SVM
embedded with the random projection algorithm yielded a significantly higher
case-based lesion classification performance with the area under ROC curve of
0.84+0.01 (p<0.02). The study demonstrates that the random project algorithm is
a promising method to generate optimal feature vectors to help improve
performance of machine learning models of medical images.
- Abstract（参考訳）: 機械学習は医療画像のコンピュータ支援診断(CAD)手法の開発に広く用いられている。
しかし、cadは通常、ターゲット領域から多数の画像特徴を計算し、ロバストな機械学習モデルを構築するために、小さく最適な特徴ベクトルをどのように特定するかという課題を引き起こす。
本研究では,まずCAD生成した大規模特徴プールから最適特徴ベクトルを構築するためにランダムなプロジェクションアルゴリズムを適用し,機械学習モデルの性能向上を図る。
悪性腫瘤を644例,良性病変を833例と確認した1,487例のマンモグラフィーを主訴とした振り返りデータセットを作成した。
CADスキームはまずセグメントマス領域に適用され、最初に181の特徴を計算する。
次に,いくつかの特徴次元削減手法を組み込んだ支持ベクトルマシン(SVM)モデルを構築し,病変の悪性度を予測する。
すべてのSVMモデルは、ケースアウトのクロスバリデーションメソッドを使用してトレーニングされ、テストされます。
SVMは、一視点マンモグラフィーに表される各セグメント化された質量領域の確率スコアを生成する。
2次元マンモグラムに表される同じ質量の2つのスコアを融合することにより、ケースベース確率スコアも評価される。
主成分分析,非負行列因子分解,chi-squared法と比較して,ランダム投影アルゴリズムを組み込んだsvmは,0.84+0.01 (p<0.02) のroc曲線下において有意に高いケースベース病変分類性能を示した。
この研究は、ランダムプロジェクトアルゴリズムが最適な特徴ベクトルを生成するための有望な方法であり、医療画像の機械学習モデルの性能向上に役立つことを示した。
関連論文リスト
- Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。
モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文 参考訳（メタデータ） (2024-08-05T18:24:48Z) - Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks [11.749248917866915]
本稿では,細胞形態を学習し,多数のがんタイプを同定するために事前訓練した新しいDeepCMorphモデルを提案する。
7175例の8736例の診断スライドから抽出した270K以上の組織パッチからなるPan-Cancer TCGAデータセット上で,本モジュールを事前訓練した。
提案手法は, 82%以上の精度で32種類の癌を検出でき, 従来提案されていたすべてのソリューションを4%以上上回る性能を示した。
論文 参考訳（メタデータ） (2024-07-11T16:03:59Z) - Deep Fusion Model for Brain Tumor Classification Using Fine-Grained Gradient Preservation [0.0807707808613597]
この研究は、事前訓練されたResNet152V2と修正VGG16モデルを融合した、正確な脳腫瘍分類のための新しいアーキテクチャを提案する。
提案手法は,画像品質向上のために様々な画像処理技術を導入し,FigshareデータセットとKaggleデータセットでそれぞれ98.36%,98.04%の精度を実現している。
論文 参考訳（メタデータ） (2024-06-28T07:06:02Z) - 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) - Leveraging SLIC Superpixel Segmentation and Cascaded Ensemble SVM for
Fully Automated Mass Detection In Mammograms [1.7205106391379026]
本稿では, グレースケール線形フィルタを用いた形態的拡張を支援する厳密なセグメンテーション法を提案する。
サポートベクターマシン(SVM)の新しいカスケードアンサンブルは、クラス不均衡に効果的に対処し、重要な予測を提供するために使用される。
論文 参考訳（メタデータ） (2020-10-20T15:02:25Z) - Applying a random projection algorithm to optimize machine learning
model for predicting peritoneal metastasis in gastric cancer patients using
CT images [0.3120960917423201]
手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。
本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
論文 参考訳（メタデータ） (2020-09-01T19:53:09Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。