Fugu-MT 論文翻訳(概要): Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images

論文の概要: Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images

arxiv url: http://arxiv.org/abs/2010.11978v1
Date: Sat, 3 Oct 2020 07:42:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 08:37:04.427506
Title: Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images
Title（参考訳）: 脳mri画像における深層畳み込みニューラルネットワークモデルに基づく脳腫瘍検出
Authors: Md. Abu Bakr Siddique, Shadman Sakib, Mohammad Mahmudur Rahman Khan, Abyaz Kader Tanzeem, Madiha Chowdhury, Nowrin Yasmin
Abstract要約: 我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Diagnosing Brain Tumor with the aid of Magnetic Resonance Imaging (MRI) has gained enormous prominence over the years, primarily in the field of medical science. Detection and/or partitioning of brain tumors solely with the aid of MR imaging is achieved at the cost of immense time and effort and demands a lot of expertise from engaged personnel. This substantiates the necessity of fabricating an autonomous model brain tumor diagnosis. Our work involves implementing a deep convolutional neural network (DCNN) for diagnosing brain tumors from MR images. The dataset used in this paper consists of 253 brain MR images where 155 images are reported to have tumors. Our model can single out the MR images with tumors with an overall accuracy of 96%. The model outperformed the existing conventional methods for the diagnosis of brain tumor in the test dataset (Precision = 0.93, Sensitivity = 1.00, and F1-score = 0.97). Moreover, the proposed model's average precision-recall score is 0.93, Cohen's Kappa 0.91, and AUC 0.95. Therefore, the proposed model can help clinical experts verify whether the patient has a brain tumor and, consequently, accelerate the treatment procedure.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)による脳腫瘍の診断は、主に医学分野において長年にわたって大きな進歩を遂げてきた。 MR画像による脳腫瘍の検出および/または分割は、膨大な時間と労力を犠牲にして達成され、多くの専門知識を必要とする。これは自律型モデル脳腫瘍診断を作製する必要性を実証する。我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。本論文で用いたデータセットは253個の脳MR画像からなり、155個の画像に腫瘍が認められる。本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。このモデルは、テストデータセット(precision = 0.93, sensitivity = 1.00, f1-score = 0.97)において、既存の従来の脳腫瘍の診断方法よりも優れていた。さらに,提案モデルの平均精度は0.93,コーエンのKappa 0.91,AUC 0.95である。そこで本モデルでは,脳腫瘍の有無を臨床専門家に確認し,治療手順の高速化を図る。

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)
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
論文参考訳（メタデータ） (2023-10-26T18:27:20Z)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection [0.0]
本研究では、畳み込みニューラルネットワーク(CNN)と極勾配増強(XGBoost)を組み合わせた脳腫瘍早期検出モデルを提案する。 C-XGBoostという名前のモデルでは、純粋にCNNよりもモデルの複雑さが低く、トレーニングが容易で、過度に適合する傾向が低い。また、実際の医用画像分類タスクにおいて一般的な問題である、不均衡データや非構造データを扱うことも可能である。
論文参考訳（メタデータ） (2023-01-05T22:25:28Z)
A deep learning approach for brain tumor detection using magnetic resonance imaging [0.0]
脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。 MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
論文参考訳（メタデータ） (2022-10-25T10:13:29Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
我々は,HNF-NetをHNF-Netv2に拡張する。我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
論文参考訳（メタデータ） (2022-02-10T06:34:32Z)
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)
Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model [3.6328238032703806]
我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。医師が脳腫瘍の効率的な診断を行うのを助ける。
論文参考訳（メタデータ） (2021-04-06T07:25:52Z)
Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。脳腫瘍は4件のがん死亡のうち1件を数えている。本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。 3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
論文参考訳（メタデータ） (2020-11-01T21:19:38Z)

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。