論文の概要: Assistive Diagnostic Tool for Brain Tumor Detection using Computer
Vision
- arxiv url: http://arxiv.org/abs/2011.08185v1
- Date: Tue, 17 Nov 2020 04:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:23:21.164874
- Title: Assistive Diagnostic Tool for Brain Tumor Detection using Computer
Vision
- Title（参考訳）: コンピュータビジョンを用いた脳腫瘍検出支援診断ツール
- Authors: Sahithi Ankireddy
- Abstract要約: このプロジェクトの目的は、脳腫瘍の検出とセグメンテーションのための補助診断ツールを作ることである。
モデルは20のエポックで訓練され、後にテストされた。予測セグメンテーションは、基礎的な真実と90%一致した。
医師は、患者の脳腫瘍のMRI画像をアップロードして、各患者の診断とセグメンテーションの即時結果を受け取ることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Today, over 700,000 people are living with brain tumors in the United States.
Brain tumors can spread very quickly to other parts of the brain and the spinal
cord unless necessary preventive action is taken. Thus, the survival rate for
this disease is less than 40% for both men and women. A conclusive and early
diagnosis of a brain tumor could be the difference between life and death for
some. However, brain tumor detection and segmentation are tedious and
time-consuming processes as it can only be done by radiologists and clinical
experts. The use of computer vision techniques, such as Mask R Convolutional
Neural Network (Mask R CNN), to detect and segment brain tumors can mitigate
the possibility of human error while increasing prediction accuracy rates. The
goal of this project is to create an assistive diagnostics tool for brain tumor
detection and segmentation. Transfer learning was used with the Mask R CNN, and
necessary parameters were accordingly altered, as a starting point. The model
was trained with 20 epochs and later tested. The prediction segmentation
matched 90% with the ground truth. This suggests that the model was able to
perform at a high level. Once the model was finalized, the application running
on Flask was created. The application will serve as a tool for medical
professionals. It allows doctors to upload patient brain tumor MRI images in
order to receive immediate results on the diagnosis and segmentation for each
patient.
- Abstract（参考訳）: 現在、米国では70万人以上が脳腫瘍を患っている。
脳腫瘍は、必要な予防措置を取らない限り、脳と脊髄の他の部位に急速に拡がることがある。
したがって、この病気の生存率は男女ともに40%未満である。
脳腫瘍の確定的早期診断は、一部の患者にとって生命と死の違いである可能性がある。
しかし、脳腫瘍の検出とセグメンテーションは退屈で時間を要するプロセスであり、放射線医や臨床の専門家によってしかできない。
Mask R Convolutional Neural Network (Mask R CNN)のようなコンピュータビジョン技術を用いて脳腫瘍を検出し、セグメント化することで、予測精度を高めながら人間のエラーの可能性を軽減することができる。
このプロジェクトの目的は、脳腫瘍の検出とセグメンテーションのための補助診断ツールを作ることである。
転送学習はMask R CNNで行われ、必要なパラメータを出発点として変更した。
このモデルは20エポックで訓練され、後に試験された。
予測のセグメンテーションは90%の真実と一致した。
これはモデルが高いレベルで実行できたことを示唆している。
モデルが完成したら、flask上で動作するアプリケーションが作成された。
このアプリケーションは医療専門家のためのツールとして機能する。
医師は、患者の脳腫瘍のMRI画像をアップロードして、各患者の診断とセグメンテーションの即時結果を受け取ることができる。
関連論文リスト
- Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection [0.23301643766310373]
脳MRIは、腫瘍の存在や欠如を明らかにするのに不正確であることが知られている。
本研究では,腫瘍の存在を特定するために,畳み込みニューラルネットワーク(CNN)を訓練した。
CNNモデルの結果、99.17%の精度を示した。
論文 参考訳（メタデータ） (2024-10-30T00:47:32Z) - 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) - 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) - Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional
Neural Networks [0.0]
本稿では、診断プロセスから手作業のプロセスを取り除き、代わりに機械学習を使用する。
脳腫瘍の診断・分類にCNN(Pretrained Convolutional Neural Network)を用いた。
論文 参考訳（メタデータ） (2022-07-27T02:56:38Z) - 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) - 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) - 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) - 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) - Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of
Human Brain WholeTumor Segmentation [2.869946954477617]
医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。
脳腫瘍は早期に検出された場合、悪性または良性であることが多い。
本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T23:44:16Z)
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。