論文の概要: Analysis of Dimensional Influence of Convolutional Neural Networks for
Histopathological Cancer Classification
- arxiv url: http://arxiv.org/abs/2011.04057v2
- Date: Tue, 22 Dec 2020 07:03:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:10:01.500540
- Title: Analysis of Dimensional Influence of Convolutional Neural Networks for
Histopathological Cancer Classification
- Title（参考訳）: 畳み込みニューラルネットワークによる病理組織学的癌分類の次元的影響の解析
- Authors: Shreyas Rajesh Labhsetwar, Alistair Michael Baretto, Raj Sunil Salvi,
Piyush Arvind Kolte, Veerasai Subramaniam Venkatesh
- Abstract要約: 畳み込みニューラルネットワークは、手作業によって異なるレベルの複雑さで設計することができる。
研究はベースラインの10層CNNモデル(3X3)畳み込みフィルタで始まる。
本研究は,ベースラインモデルの複合スケーリングにより,CNNモデルの性能向上を図っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Networks can be designed with different levels of
complexity depending upon the task at hand. This paper analyzes the effect of
dimensional changes to the CNN architecture on its performance on the task of
Histopathological Cancer Classification. The research starts with a baseline
10-layer CNN model with (3 X 3) convolution filters. Thereafter, the baseline
architecture is scaled in multiple dimensions including width, depth,
resolution and a combination of all of these. Width scaling involves
inculcating greater number of neurons per CNN layer, whereas depth scaling
involves deepening the hierarchical layered structure. Resolution scaling is
performed by increasing the dimensions of the input image, and compound scaling
involves a hybrid combination of width, depth and resolution scaling. The
results indicate that histopathological cancer scans are very complex in nature
and hence require high resolution images fed to a large hierarchy of
Convolution, MaxPooling, Dropout and Batch Normalization layers to extract all
the intricacies and perform perfect classification. Since compound scaling the
baseline model ensures that all the three dimensions: width, depth and
resolution are scaled, the best performance is obtained with compound scaling.
This research shows that better performance of CNN models is achieved by
compound scaling of the baseline model for the task of Histopathological Cancer
Classification.
- Abstract（参考訳）: 畳み込みニューラルネットワークは、手作業によって異なるレベルの複雑さで設計することができる。
本稿では,cnnアーキテクチャの寸法変化が病理組織学的癌分類の課題に与える影響について検討した。
この研究は、3x3)畳み込みフィルタを備えたベースライン10層cnnモデルから始まる。
その後、ベースラインアーキテクチャは、幅、深さ、解像度、これらすべての組み合わせを含む多次元にスケールされる。
幅のスケーリングはcnn層当たりのニューロンの数を増やし、深さのスケーリングは階層的な階層構造を深くする。
分解能スケーリングは入力画像の次元を拡大することで行われ、複合スケーリングは幅、深さ、分解能スケーリングのハイブリッド結合を含む。
その結果, 病理組織学的癌スキャンは非常に複雑であり, コンボリューション, MaxPooling, Dropout, Batch Normalization の階層に高解像度の画像を供給し, すべての複雑さを抽出し, 完全な分類を行う必要があることがわかった。
ベースラインモデルの複合スケーリングは, 幅, 深さ, 解像度の3次元のスケーリングを保証するため, 複合スケーリングで最高の性能が得られる。
本研究は, 病理組織学的癌分類の課題に対するベースラインモデルの複合スケーリングにより, CNNモデルの性能向上を図っている。
関連論文リスト
- N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - nnMamba: 3D Biomedical Image Segmentation, Classification and Landmark
Detection with State Space Model [24.955052600683423]
本稿では、CNNの強みとステートスペースシーケンスモデル(SSM)の高度な長距離モデリング機能を統合する新しいアーキテクチャであるnnMambaを紹介する。
6つのデータセットの実験では、3D画像のセグメンテーション、分類、ランドマーク検出など、一連の困難なタスクにおいて、nnMambaが最先端のメソッドよりも優れていることが示されている。
論文 参考訳（メタデータ） (2024-02-05T21:28:47Z) - Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。
その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。
トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
論文 参考訳（メタデータ） (2023-05-25T14:17:15Z) - HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical
Image Classification [16.455887856811465]
本稿では,医用画像分類のためのHiFuseと呼ばれる3分岐階層型マルチスケール機能融合ネットワーク構造を提案する。
提案したISICデータセットの精度はベースラインより7.6%高く、Covid-19データセットは21.5%、Kvasirデータセットは10.4%である。
論文 参考訳（メタデータ） (2022-09-21T09:30:20Z) - How GNNs Facilitate CNNs in Mining Geometric Information from
Large-Scale Medical Images [2.2699159408903484]
畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。
大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
論文 参考訳（メタデータ） (2022-06-15T15:27:48Z) - 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) - Cell nuclei classification in histopathological images using hybrid
OLConvNet [13.858624044986815]
我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。
CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。
提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
論文 参考訳（メタデータ） (2022-02-21T12:39:37Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z) - A Genetic Algorithm based Kernel-size Selection Approach for a
Multi-column Convolutional Neural Network [11.040847116812046]
本稿では,畳み込みニューラルネットワークアーキテクチャのハイパーパラメータ(カーネルサイズ)の最適組み合わせを見つけるための遺伝的アルゴリズムに基づく手法を提案する。
本手法は手書き文字と数字の異なる3つの一般的なデータセットで評価される。
論文 参考訳（メタデータ） (2019-12-28T05:37:28Z)
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。