論文の概要: Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets

• arxiv url: http://arxiv.org/abs/2109.05025v1
• Date: Fri, 10 Sep 2021 13:07:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:26:07.019597
• Title: Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets
• Title（参考訳）: マルチスケール・エネルギネットを用いた深層移行学習による髄芽細胞腫の分類
• Authors: Marcel Bengs, Michael Bockmayr, Ulrich Sch\"uller, Alexander Schlaefer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.62764375279861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medulloblastoma (MB) is the most common malignant brain tumor in childhood. The diagnosis is generally based on the microscopic evaluation of histopathological tissue slides. However, visual-only assessment of histopathological patterns is a tedious and time-consuming task and is also affected by observer variability. Hence, automated MB tumor classification could assist pathologists by promoting consistency and robust quantification. Recently, convolutional neural networks (CNNs) have been proposed for this task, while transfer learning has shown promising results. In this work, we propose an end-to-end MB tumor classification and explore transfer learning with various input sizes and matching network dimensions. We focus on differentiating between the histological subtypes classic and desmoplastic/nodular. For this purpose, we systematically evaluate recently proposed EfficientNets, which uniformly scale all dimensions of a CNN. Using a data set with 161 cases, we demonstrate that pre-trained EfficientNets with larger input resolutions lead to significant performance improvements compared to commonly used pre-trained CNN architectures. Also, we highlight the importance of transfer learning, when using such large architectures. Overall, our best performing method achieves an F1-Score of 80.1%.
• Abstract（参考訳）: 小児で最も多い悪性脳腫瘍は髄芽腫(MB)である。 診断は一般に病理組織スライドの顕微鏡的評価に基づいている。 しかし、病理組織学的パターンの視覚のみの評価は退屈で時間を要する課題であり、観察者の変動にも影響される。 したがって、自動MB腫瘍分類は、一貫性と堅牢な定量化を促進することによって病理学者を支援することができる。 近年、畳み込みニューラルネットワーク(cnns)が提案されているが、転送学習は有望な結果を示している。 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マッチングネットワーク次元の転送学習について検討する。 組織学的サブタイプであるclassicとdesmoplastic/nodularの区別に注目した。 そこで本研究では,CNNの全次元を均一にスケールするEfficientNetsを,最近提案した。 161ケースのデータセットを用いて、入力解像度が大きい事前学習されたEfficientNetは、一般的に使用されるCNNアーキテクチャと比較して、大幅な性能向上をもたらすことを示した。 また,このような大規模アーキテクチャを使用する場合,トランスファー学習の重要性も強調する。 その結果,F1スコアは80.1%となった。

関連論文リスト

• Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning [18.20962008262757]
  本研究は,脳腫瘍分類における事前学習モデルの応用について検討した。 我々は,脳腫瘍のマルチクラス分類にいくつかの主流転写学習モデルを微調整し,応用した。 特に,新しいネットワークアーキテクチャであるVision Mamba(Vim)を導入し,脳腫瘍の分類に初めて適用した。
  論文  参考訳（メタデータ） (2024-10-29T09:08:57Z)
• 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)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification [6.85316573653194]
  生体医用画像の分類を行うために,C-Netと呼ばれる複数のネットワークの結合からなる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 C-Netモデルは、両方のデータセットの個々のメトリクスにおける他のモデルよりも優れており、誤分類はゼロである。
  論文  参考訳（メタデータ） (2020-10-30T20:03:20Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)

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。