論文の概要: DenseNet for Breast Tumor Classification in Mammographic Images
- arxiv url: http://arxiv.org/abs/2101.09637v1
- Date: Sun, 24 Jan 2021 03:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 09:19:26.534620
- Title: DenseNet for Breast Tumor Classification in Mammographic Images
- Title（参考訳）: マンモグラフィ画像における乳腺腫瘍分類のためのDenseNet
- Authors: Yuliana Jim\'enez Gaona, Mar\'ia Jos\'e Rodriguez-Alvarez, Hector
Espin\'o Morat\'o, Darwin Castillo Malla, and Vasudevan Lakshminarayanan
- Abstract要約: 本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is the most common invasive cancer in women, and the second
main cause of death. Breast cancer screening is an efficient method to detect
indeterminate breast lesions early. The common approaches of screening for
women are tomosynthesis and mammography images. However, the traditional manual
diagnosis requires an intense workload by pathologists, who are prone to
diagnostic errors. Thus, the aim of this study is to build a deep convolutional
neural network method for automatic detection, segmentation, and classification
of breast lesions in mammography images. Based on deep learning the Mask-CNN
(RoIAlign) method was developed to features selection and extraction; and the
classification was carried out by DenseNet architecture. Finally, the precision
and accuracy of the model is evaluated by cross validation matrix and AUC
curve. To summarize, the findings of this study may provide a helpful to
improve the diagnosis and efficiency in the automatic tumor localization
through the medical image classification.
- Abstract（参考訳）: 乳癌は女性にとって最も一般的な浸潤癌であり、死因は第2位である。
乳癌検診は乳腺病変の早期発見に有効な方法である。
女性のスクリーニングの一般的なアプローチは、トモ合成とマンモグラフィー画像である。
しかし、従来の手技による診断は、診断ミスをしがちな病理医による激しい作業を必要とする。
そこで本研究では,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することを目的とする。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
最後に、クロス検証行列とauc曲線を用いてモデルの精度と精度を評価する。
要約すると,本研究の知見は,医用画像分類による自動腫瘍局在化の診断と効率の向上に有効であると考えられる。
関連論文リスト
- Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T10:22:14Z) - Mammograms Classification: A Review [0.0]
マンモグラム画像はコンピュータ支援診断システムの開発に利用されてきた。
研究者たちは、人工知能が病気の早期発見に利用できることを証明した。
論文 参考訳（メタデータ） (2022-03-04T19:22:35Z) - 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) - 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) - Using Machine Learning to Automate Mammogram Images Analysis [12.19801103274363]
X線マンモグラフィーによる乳がんの早期発見は死亡率を効果的に低下させたと考えられている。
マンモグラム画像を処理するコンピュータ支援自動マンモグラム解析システムを提案し, 正常または癌として自動的に識別する。
論文 参考訳（メタデータ） (2020-12-06T00:10:18Z) - 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) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳（メタデータ） (2020-05-22T19:49:10Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳（メタデータ） (2020-03-23T01:26:36Z) - 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。