論文の概要: Transfer Learning for Oral Cancer Detection using Microscopic Images
- arxiv url: http://arxiv.org/abs/2011.11610v2
- Date: Fri, 9 Apr 2021 18:41:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 01:52:54.644165
- Title: Transfer Learning for Oral Cancer Detection using Microscopic Images
- Title(参考訳): 顕微鏡画像を用いた口腔癌検出のための転写学習
- Authors: Rutwik Palaskar, Renu Vyas, Vilas Khedekar, Sangeeta Palaskar, Pranjal
Sahu
- Abstract要約: 口腔癌は早期に検出された場合83%以上の生存率を有する。
深層学習技術は口腔がん細胞のパターンを検出でき、早期発見に役立つ。
口腔癌検出のための神経回路画像を用いた第1報を報告する。
- 参考スコア(独自算出の注目度): 1.3929484165904207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Oral cancer has more than 83% survival rate if detected in its early stages,
however, only 29% of cases are currently detected early. Deep learning
techniques can detect patterns of oral cancer cells and can aid in its early
detection. In this work, we present the first results of neural networks for
oral cancer detection using microscopic images. We compare numerous
state-of-the-art models via transfer learning approach and collect and release
an augmented dataset of high-quality microscopic images of oral cancer. We
present a comprehensive study of different models and report their performance
on this type of data. Overall, we obtain a 10-15% absolute improvement with
transfer learning methods compared to a simple Convolutional Neural Network
baseline. Ablation studies show the added benefit of data augmentation
techniques with finetuning for this task.
- Abstract(参考訳): 早期に検出された口腔癌の生存率は83%を超えているが,早期に検出された症例は29%に過ぎなかった。
ディープラーニング技術は、口腔がん細胞のパターンを検出し、早期発見を支援することができる。
本稿では,顕微鏡画像を用いた口腔癌検出のためのニューラルネットワークの最初の結果を示す。
我々は,トランスファーラーニングアプローチによる多くの最先端モデルを比較し,口腔癌の高品質な顕微鏡画像のデータセットを収集,リリースする。
本稿では,様々なモデルに関する包括的研究を行い,その性能について報告する。
総じて、単純な畳み込みニューラルネットワークのベースラインと比較して、転送学習法で10~15%の絶対改善が得られる。
アブレーション研究は、このタスクに対する微調整によるデータ拡張技術の追加の利点を示している。
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) - Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。
実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文 参考訳(メタデータ) (2024-04-14T12:09:47Z) - 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) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳(メタデータ) (2022-01-09T04:35:55Z) - BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
近年、深層学習は科学の様々な分野、特に医学で広く採用されている。
乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
論文 参考訳(メタデータ) (2021-07-11T12:55:33Z) - Meta-learning for skin cancer detection using Deep Learning Techniques [0.0]
本研究は皮膚内視鏡画像に対するメタラーニングアプローチによる皮膚がんの自動検出に焦点をあてる。
3つの異なるソースからの結合データセットの小さなサンプルを使用して、非医療データで事前トレーニングされたresnetモデルを微調整した。
論文 参考訳(メタデータ) (2021-04-21T21:44:25Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳(メタデータ) (2020-11-13T16:04:39Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Representation Learning of Histopathology Images using Graph Neural
Networks [12.427740549056288]
本稿では,WSI表現学習のための2段階フレームワークを提案する。
色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。
肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
論文 参考訳(メタデータ) (2020-04-16T00:09:20Z)
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。