論文の概要: Performance Comparison of Balanced and Unbalanced Cancer Datasets using
Pre-Trained Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2012.05585v1
- Date: Thu, 10 Dec 2020 11:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 18:29:22.920516
- Title: Performance Comparison of Balanced and Unbalanced Cancer Datasets using
Pre-Trained Convolutional Neural Network
- Title（参考訳）: 事前学習畳み込みニューラルネットワークを用いた平衡・非平衡癌データセットの性能比較
- Authors: Ali Narin
- Abstract要約: データのバランスは、良性腫瘍と悪性腫瘍の両方の検出性能と同様に、全体的なパフォーマンスを高める。
バランスの取れた方法で作成されたデータセットの助けを借りて訓練されたモデルは、病理学の専門家により高く正確な結果を与えると言えるでしょう。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer disease is one of the leading causes of death all over the world.
Breast cancer, which is a common cancer disease especially in women, is quite
common. The most important tool used for early detection of this cancer type,
which requires a long process to establish a definitive diagnosis, is
histopathological images taken by biopsy. These obtained images are examined by
pathologists and a definitive diagnosis is made. It is quite common to detect
this process with the help of a computer. Detection of benign or malignant
tumors, especially by using data with different magnification rates, takes
place in the literature. In this study, two different balanced and unbalanced
study groups have been formed by using the histopathological data in the
BreakHis data set. We have examined how the performances of balanced and
unbalanced data sets change in detecting tumor type. In conclusion, in the
study performed using the InceptionV3 convolution neural network model, 93.55%
accuracy, 99.19% recall and 87.10% specificity values have been obtained for
balanced data, while 89.75% accuracy, 82.89% recall and 91.51% specificity
values have been obtained for unbalanced data. According to the results
obtained in two different studies, the balance of the data increases the
overall performance as well as the detection performance of both benign and
malignant tumors. It can be said that the model trained with the help of data
sets created in a balanced way will give pathology specialists higher and
accurate results.
- Abstract（参考訳）: ガン病は世界中で主要な死因の1つだ。
乳がんは、特に女性に多いがん疾患であり、非常に一般的である。
診断に長い期間を要するこのタイプの早期発見に使用される最も重要なツールは、生検で採取した病理組織像である。
これらの画像は病理医によって検査され、確定診断がなされる。
このプロセスはコンピュータの助けを借りて検出することが一般的である。
良性腫瘍や悪性腫瘍の検出は,特に拡大率の異なるデータを用いて行う。
本研究では,breakhisデータセットの病理組織学的データを用いて,バランスとバランスの異なる2つの研究グループを作成した。
腫瘍検出において,バランスとバランスのとれないデータセットの性能がどのように変化するかを検討した。
結論として,inceptionv3畳み込みニューラルネットワークモデルを用いて行った研究では,平衡データに対して93.55%の精度,99.19%のリコール,87.10%の特異値,89.75%の精度,82.89%のリコール,91.51%の特異値が得られた。
2つの異なる研究で得られた結果によると、データのバランスは、良性腫瘍と悪性腫瘍の両方の検出性能と同様に、全体的な性能を高める。
バランスの取れた方法で作成されたデータセットの助けを借りてトレーニングされたモデルは、病理の専門家により高い正確な結果を与えると言えます。
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) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - RCdpia: A Renal Carcinoma Digital Pathology Image Annotation dataset based on pathologists [14.79279940958727]
腫瘍領域と隣接領域(RCdpia)を個別にラベル付けしたTCGAデジタル病理データセットを作成した。
このデータセットはhttp://39.171.241.18:8888/RCdpia/で公開されている。
論文 参考訳（メタデータ） (2024-03-17T13:23:25Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - Machine Learning Approaches to Predict Breast Cancer: Bangladesh
Perspective [0.0]
本研究は,乳がんをクラスで最大精度で予測できる最良のアルゴリズムの発見に焦点をあてる。
このモデルの実装後、この研究はRandom ForestとXGBoostで94%のモデル精度を達成した。
論文 参考訳（メタデータ） (2022-06-30T01:44:53Z) - Examining the behaviour of state-of-the-art convolutional neural
networks for brain tumor detection with and without transfer learning [0.0]
本研究における2種類のデータセットについて,最先端CNNモデルを用いて検討した。
EfficientNet-B5アーキテクチャは、バイナリ分類データセットのすべての最先端モデルを99.75%と98.61%の精度で上回る。
論文 参考訳（メタデータ） (2022-06-02T18:49:28Z) - Producing Histopathology Phantom Images using Generative Adversarial
Networks to improve Tumor Detection [0.0]
本稿では,GANを用いたデータ拡張が,我々のデータセットにおける異なる種類のがんの分布の不均一性を軽減するための有効な解決策であることを確かめる。
実験の結果,50%に増強されたデータセットは腫瘍検出率を80%から87.5%に向上させることがわかった。
論文 参考訳（メタデータ） (2022-05-21T23:04:20Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - 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) - 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) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z)
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。