論文の概要: Prediction of lung and colon cancer through analysis of
histopathological images by utilizing Pre-trained CNN models with
visualization of class activation and saliency maps
- arxiv url: http://arxiv.org/abs/2103.12155v1
- Date: Mon, 22 Mar 2021 20:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 14:13:50.759328
- Title: Prediction of lung and colon cancer through analysis of
histopathological images by utilizing Pre-trained CNN models with
visualization of class activation and saliency maps
- Title（参考訳）: クラスアクティベーションとサリエンシマップの可視化による前訓練CNNモデルを用いた肺・大腸癌の組織像解析による予測
- Authors: Satvik Garg and Somya Garg
- Abstract要約: 大腸癌と肺癌は、個人が世界中で持続している最も危険で危険な病気の1つです。
本稿では,現在トレーニング中のCNNモデルを用いて肺癌と大腸癌の鑑別を行う。
モデル性能は、精度、リコール、f1score、精度、aurocスコアで評価される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Colon and Lung cancer is one of the most perilous and dangerous ailments that
individuals are enduring worldwide and has become a general medical problem. To
lessen the risk of death, a legitimate and early finding is particularly
required. In any case, it is a truly troublesome task that depends on the
experience of histopathologists. If a histologist is under-prepared it may even
hazard the life of a patient. As of late, deep learning has picked up energy,
and it is being valued in the analysis of Medical Imaging. This paper intends
to utilize and alter the current pre-trained CNN-based model to identify lung
and colon cancer utilizing histopathological images with better augmentation
techniques. In this paper, eight distinctive Pre-trained CNN models, VGG16,
NASNetMobile, InceptionV3, InceptionResNetV2, ResNet50, Xception, MobileNet,
and DenseNet169 are trained on LC25000 dataset. The model performances are
assessed on precision, recall, f1score, accuracy, and auroc score. The results
exhibit that all eight models accomplished noteworthy results ranging from 96%
to 100% accuracy. Subsequently, GradCAM and SmoothGrad are also used to picture
the attention images of Pre-trained CNN models classifying malignant and benign
images.
- Abstract（参考訳）: 大腸がんと肺がんは、個人が世界中で持続している最も危険な疾患の1つであり、一般的な医療問題となっている。
死亡リスクを減らすためには、特に正当かつ早期発見が必要である。
いずれにせよ、病理学者の経験に依存する、本当に厄介な作業である。
病理学者が準備不足の場合、患者の生命を危険にさらすこともある。
近年では, 深層学習がエネルギーを取り込み, 医用画像解析に重きを置いている。
本稿では,現在トレーニング中のCNNモデルを用いて,病理組織像を用いて肺癌と大腸癌を同定し,改良することを目的とする。
本稿では,LC25000データセット上で,VGG16,NASNetMobile,InceptionV3,InceptionResNetV2,ResNet50,Xception,MobileNet,DenseNet169の8種類のCNNモデルを訓練する。
モデル性能は、精度、リコール、f1score、精度、aurocスコアで評価される。
その結果、8モデルすべてが96%から100%の精度で注目に値する結果を得た。
その後、GradCAMとSmoothGradは、悪性と良性の画像の分類を行う事前訓練CNNモデルの注意画像の撮影にも使用される。
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) - Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification [0.0]
肺がんと大腸がんは世界中で深刻な健康上の問題であり、死亡リスクを減らすためには早期かつ正確な診断が必要である。
組織学は依然として金の標準であり続けているが、サーバ間のミスには時間がかかり、脆弱である。
近年のディープラーニングの進歩は、医療画像解析への応用への関心を生んでいる。
論文 参考訳（メタデータ） (2024-05-07T18:49:34Z) - LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。
精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
論文 参考訳（メタデータ） (2023-04-10T18:47:20Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Comparative Analysis of Deep Learning Algorithms for Classification of
COVID-19 X-Ray Images [0.0]
コロナウイルスは、2019年に中国の武漢市で最初に発生し、世界中に急速に広まりました。
疾患の早期拡大を早期に抑制するためには、陽性のコロナ患者をできるだけ早く調査することが主な課題である。
これまでの研究では、この種の画像が新型コロナウイルスに関連する重要な詳細を持っていることが示唆された。
改良型人工知能(AI)システムと無線画像の併用は、このウイルスの正確かつ正確な解決には有益であり、遠くの村落で専門医の不足を克服するのにも有用である。
論文 参考訳（メタデータ） (2021-10-14T04:51:32Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Benchmarking convolutional neural networks for diagnosing Lyme disease
from images [0.0]
ライム病は世界で最も一般的な感染症の一つである。
近年の研究では、畳み込みニューラルネットワーク(CNN)が画像から皮膚の病変を識別するのに非常に有効であることが示されている。
プライバシの懸念が主な理由として、ライム病の予測のための公開のEMイメージデータセットは存在しない。
論文 参考訳（メタデータ） (2021-06-28T08:28:21Z) - 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) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z)
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。