論文の概要: MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis

• arxiv url: http://arxiv.org/abs/2012.14619v1
• Date: Tue, 29 Dec 2020 06:04:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:48:25.234235
• Title: MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis
• Title（参考訳）: MS-GWNN : 乳がん診断のためのマルチスケールグラフウェーブレットニューラルネットワーク
• Authors: Mo Zhang, Quanzheng Li
• Abstract要約: 乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。 本研究では,乳がんの画像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 8.679247709183567
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Breast cancer is one of the most common cancers in women worldwide, and early detection can significantly reduce the mortality rate of breast cancer. It is crucial to take multi-scale information of tissue structure into account in the detection of breast cancer. And thus, it is the key to design an accurate computer-aided detection (CAD) system to capture multi-scale contextual features in a cancerous tissue. In this work, we present a novel graph convolutional neural network for histopathological image classification of breast cancer. The new method, named multi-scale graph wavelet neural network (MS-GWNN), leverages the localization property of spectral graph wavelet to perform multi-scale analysis. By aggregating features at different scales, MS-GWNN can encode the multi-scale contextual interactions in the whole pathological slide. Experimental results on two public datasets demonstrate the superiority of the proposed method. Moreover, through ablation studies, we find that multi-scale analysis has a significant impact on the accuracy of cancer diagnosis.
• Abstract（参考訳）: 乳がんは世界でも最も一般的ながんの1つであり、早期発見は乳がんの死亡率を著しく低下させる可能性がある。 乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。 そこで,癌組織におけるマルチスケールのコンテキスト特徴を捉えるために,正確なコンピュータ支援検出システム(CAD)を設計する鍵となる。 本研究では,乳癌の病理組織像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。 この手法はマルチスケールグラフウェーブレットニューラルネットワーク(ms-gwnn)と呼ばれ、スペクトルグラフウェーブレットの局在性を利用してマルチスケール解析を行う。 異なるスケールの機能を集約することで、MS-GWNNは、病理スライド全体におけるマルチスケールのコンテキスト相互作用をエンコードできる。 2つの公開データセットの実験結果は,提案手法の優位性を示している。 さらに, アブレーション研究により, マルチスケール解析が癌診断の精度に有意な影響を及ぼすことが明らかとなった。

関連論文リスト

• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Multiple Instance Neural Networks Based on Sparse Attention for Cancer Detection using T-cell Receptor Sequences [10.199698726118003]
  本稿では,スパースアテンション(MINN-SA)に基づく複数インスタンスニューラルネットワークを提案する。 MINN-SAは10種類の癌で測定された平均値において、ROC曲線(AUC)値が最も高い。
  論文  参考訳（メタデータ） (2022-08-09T03:24:03Z)
• Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network [0.0]
  本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。 本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。 結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-08-01T03:45:36Z)
• Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features [0.0]
  早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。 本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。 提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-06-26T07:54:09Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning [0.951828574518325]
  浸潤性管癌の死因は女性で2番目に多い。 特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。 本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-26T14:14:45Z)
• 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)
• Artificial Neural Network Based Breast Cancer Screening: A Comprehensive Review [0.0]
  本稿では,マンモグラフィによる乳癌の診断のための人工ニューラルネットワークモデルに関する文献を体系的にレビューする。 スパイキングニューラルネットワーク(SNN)、ディープ信頼ネットワーク(DBN)、畳み込みニューラルネットワーク(CNN)、多層ニューラルネットワーク(MLNN)、スタックドオートエンコーダ(SAE)、スタックドデノイズオートエンコーダ(SDAE)など、さまざまなANNモデルの利点と限界について述べる。
  論文  参考訳（メタデータ） (2020-05-29T17:13:51Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。