論文の概要: Deep Learning for Breast Cancer Classification: Enhanced Tangent Function

• arxiv url: http://arxiv.org/abs/2108.04663v1
• Date: Thu, 1 Jul 2021 08:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 20:35:26.259611
• Title: Deep Learning for Breast Cancer Classification: Enhanced Tangent Function
• Title（参考訳）: 乳癌分類のための深層学習 : タンジェント機能の向上
• Authors: Ashu Thapa, Abeer Alsadoon, P.W.C. Prasad, Simi Bajaj, Omar Hisham Alsadoon, Tarik A. Rashid, Rasha S. Ali, Oday D. Jerew
• Abstract要約: 近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。 提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
• 参考スコア（独自算出の注目度）: 27.761266391596262
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background and Aim: Recently, deep learning using convolutional neural network has been used successfully to classify the images of breast cells accurately. However, the accuracy of manual classification of those histopathological images is comparatively low. This research aims to increase the accuracy of the classification of breast cancer images by utilizing a Patch-Based Classifier (PBC) along with deep learning architecture. Methodology: The proposed system consists of a Deep Convolutional Neural Network (DCNN) that helps in enhancing and increasing the accuracy of the classification process. This is done by the use of the Patch-based Classifier (PBC). CNN has completely different layers where images are first fed through convolutional layers using hyperbolic tangent function together with the max-pooling layer, drop out layers, and SoftMax function for classification. Further, the output obtained is fed to a patch-based classifier that consists of patch-wise classification output followed by majority voting. Results: The results are obtained throughout the classification stage for breast cancer images that are collected from breast-histology datasets. The proposed solution improves the accuracy of classification whether or not the images had normal, benign, in-situ, or invasive carcinoma from 87% to 94% with a decrease in processing time from 0.45 s to 0.2s on average. Conclusion: The proposed solution focused on increasing the accuracy of classifying cancer in the breast by enhancing the image contrast and reducing the vanishing gradient. Finally, this solution for the implementation of the Contrast Limited Adaptive Histogram Equalization (CLAHE) technique and modified tangent function helps in increasing the accuracy.
• Abstract（参考訳）: 背景と目的:近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 しかし,これらの病理像の手動分類の精度は比較的低い。 本研究では,Patch-Based Classifier (PBC) とディープラーニングアーキテクチャを用いて乳癌画像の分類精度を向上させることを目的とする。 方法論:提案システムは,分類過程の精度の向上と向上を支援するディープ畳み込みニューラルネットワーク(DCNN)から構成される。 これはパッチベースの分類器(pbc)を使用して行われる。 cnnは完全に異なる層を持ち、画像はまず双曲的接関数とマックスプール層、ドロップアウト層、ソフトマックス関数を使って畳み込み層を通して供給される。 さらに、得られた出力は、パッチワイド分類出力と多数決投票とからなるパッチベースの分類器に供給される。 結果: 乳がん画像の分類段階を通して, 乳がん診断データから収集した乳がん画像の分類結果が得られた。 提案手法は, 正常, 良性, in-situ, 浸潤癌の有無の分類精度を87%から94%に改善し, 処理時間を0.45秒から0.2秒に短縮した。 結論: 画像のコントラストを高め, 消失勾配を減少させることにより, 乳がんの分類精度を高めることに焦点を当てた。 最後に, コントラスト制限適応ヒストグラム等化法 (clahe) 法と修正タンジェント関数 (modified tangent function) の実装は, 精度の向上に寄与する。

関連論文リスト

• Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
  本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。 病理像を良性群と悪性群に迅速かつ自動分類することができる。 本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:08:05Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Reduced Deep Convolutional Activation Features (R-DeCAF) in Histopathology Images to Improve the Classification Performance for Breast Cancer Diagnosis [0.0]
  乳がんは世界で2番目に多いがんである。 ディープ畳み込みニューラルネットワーク(CNN)は効果的なソリューションである。 事前訓練したCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
  論文  参考訳（メタデータ） (2023-01-05T06:53:46Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
  提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。 分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
  論文  参考訳（メタデータ） (2022-09-03T09:27:00Z)
• Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function [28.201018420730332]
  本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
  論文  参考訳（メタデータ） (2022-08-05T18:41:17Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• 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)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。