論文の概要: BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading
- arxiv url: http://arxiv.org/abs/2107.05037v1
- Date: Sun, 11 Jul 2021 12:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 03:29:54.664390
- Title: BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading
- Title(参考訳): BCNet:乳がんグレーディングのための深層畳み込みニューラルネットワーク
- Authors: Pouya Hallaj Zavareh, Atefeh Safayari, Hamidreza Bolhasani
- Abstract要約: 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。
- 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 has become one of the most prevalent cancers by which people
all over the world are affected and is posed serious threats to human beings,
in a particular woman. In order to provide effective treatment or prevention of
this cancer, disease diagnosis in the early stages would be of high importance.
There have been various methods to detect this disorder in which using images
have to play a dominant role. Deep learning has been recently adopted widely in
different areas of science, especially medicine. In breast cancer detection
problems, some diverse deep learning techniques have been developed on
different datasets and resulted in good accuracy. In this article, we aimed to
present a deep neural network model to classify histopathological images from
the Databiox image dataset as the first application on this image database. Our
proposed model named BCNet has taken advantage of the transfer learning
approach in which VGG16 is selected from available pertained models as a
feature extractor. Furthermore, to address the problem of insufficient data, we
employed the data augmentation technique to expand the input dataset. All
implementations in this research, ranging from pre-processing actions to
depicting the diagram of the model architecture, have been carried out using
tf.keras API. As a consequence of the proposed model execution, the significant
validation accuracy of 88% and evaluation accuracy of 72% obtained.
- Abstract(参考訳): 乳がんは、世界中の人々が影響を受ける最も一般的ながんの1つであり、特定の女性において、人間にとって深刻な脅威となっている。
この癌を効果的に治療または予防するために、早期の疾患診断は非常に重要である。
画像の使用が支配的な役割を果たさなければならないこの障害を検出する様々な方法がある。
近年、深層学習は科学、特に医学において広く採用されている。
乳癌検出問題では、さまざまなデータセット上でさまざまなディープラーニング技術が開発され、精度が向上した。
本稿では,この画像データベース上の最初のアプリケーションとして,Databioxイメージデータセットから病理像を分類するディープニューラルネットワークモデルを提案する。
提案モデルであるBCNetは,VGG16を特徴抽出器として利用可能なモデルから選択するトランスファー学習手法を利用した。
さらに,データ不足の問題に対処するため,データ拡張手法を用いて入力データセットの拡張を行った。
本研究のすべての実装は、前処理アクションからモデルアーキテクチャの図形まで、tf.keras APIを使用して実施されている。
提案したモデル実行の結果,88%の有意な検証精度と72%の評価精度が得られた。
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) - Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
論文 参考訳(メタデータ) (2023-09-15T20:16:17Z) - Comparative Analysis of Deep Learning Architectures for Breast Cancer
Diagnosis Using the BreaKHis Dataset [0.0]
本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。
その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。
InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
論文 参考訳(メタデータ) (2023-09-02T19:02:50Z) - CEIMVEN: An Approach of Cutting Edge Implementation of Modified Versions of EfficientNet (V1-V2) Architecture for Breast Cancer Detection and Classification from Ultrasound Images [0.0]
乳がんは女性の死亡数の最大の原因となっている。
近年の研究では、超音波画像やマンモグラフィーから乳がんを検出・分類し、深層ニューラルネットワークで分類する上で、医療画像処理と医療画像処理が重要な役割を担っている。
本研究では,EfficientNet の最先端版の改良版に対する厳密な実装と反復的な結果分析に焦点をあてた。
論文 参考訳(メタデータ) (2023-08-25T13:05:06Z) - 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) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - 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) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - 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)
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。