論文の概要: Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection
- arxiv url: http://arxiv.org/abs/2201.00957v1
- Date: Tue, 4 Jan 2022 03:09:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 21:51:49.897810
- Title: Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection
- Title（参考訳）: 畳み込みニューラルネットワークを用いた正常化乳腺病理画像認識によるがん検出
- Authors: Sruthi Krishna, Suganthi S.S, Shivsubramani Krishnamoorthy, Arnav
Bhavsar
- Abstract要約: 近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
- 参考スコア（独自算出の注目度）: 9.826027427965354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer assisted diagnosis in digital pathology is becoming ubiquitous as it
can provide more efficient and objective healthcare diagnostics. Recent
advances have shown that the convolutional Neural Network (CNN) architectures,
a well-established deep learning paradigm, can be used to design a Computer
Aided Diagnostic (CAD) System for breast cancer detection. However, the
challenges due to stain variability and the effect of stain normalization with
such deep learning frameworks are yet to be well explored. Moreover,
performance analysis with arguably more efficient network models, which may be
important for high throughput screening, is also not well explored.To address
this challenge, we consider some contemporary CNN models for binary
classification of breast histopathology images that involves (1) the data
preprocessing with stain normalized images using an adaptive colour
deconvolution (ACD) based color normalization algorithm to handle the stain
variabilities; and (2) applying transfer learning based training of some
arguably more efficient CNN models, namely Visual Geometry Group Network
(VGG16), MobileNet and EfficientNet. We have validated the trained CNN networks
on a publicly available BreaKHis dataset, for 200x and 400x magnified
histopathology images. The experimental analysis shows that pretrained networks
in most cases yield better quality results on data augmented breast
histopathology images with stain normalization, than the case without stain
normalization. Further, we evaluated the performance and efficiency of popular
lightweight networks using stain normalized images and found that EfficientNet
outperforms VGG16 and MobileNet in terms of test accuracy and F1 Score. We
observed that efficiency in terms of test time is better in EfficientNet than
other networks; VGG Net, MobileNet, without much drop in the classification
accuracy.
- Abstract（参考訳）: デジタル病理学におけるコンピュータ支援診断は、より効率的で客観的な医療診断を提供するため、広く普及している。
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは、確立されたディープラーニングパラダイムであり、乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
しかし, 染色の多様性や, このような深層学習フレームワークによる染色正規化の影響による課題については, まだ十分に検討されていない。
Moreover, performance analysis with arguably more efficient network models, which may be important for high throughput screening, is also not well explored.To address this challenge, we consider some contemporary CNN models for binary classification of breast histopathology images that involves (1) the data preprocessing with stain normalized images using an adaptive colour deconvolution (ACD) based color normalization algorithm to handle the stain variabilities; and (2) applying transfer learning based training of some arguably more efficient CNN models, namely Visual Geometry Group Network (VGG16), MobileNet and EfficientNet.
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みCNNネットワークを公開データセット上で検証した。
実験により, トレーニング済みのネットワークは, 染色正常化のない場合よりも, 染色正常化を伴う乳腺病理像の高画質化に寄与することがわかった。
さらに,steit正規化画像を用いて,人気のある軽量ネットワークの性能と効率を評価し,テスト精度とf1スコアの点でeffernetがvgg16やmobilenetよりも優れていることを発見した。
我々は,VGGNetやMobileNetなど他のネットワークに比べて,テスト時間の面での効率性は高いが,分類精度はそれほど低下しない。
関連論文リスト
- Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳（メタデータ） (2023-04-29T16:11:34Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - H&E-adversarial network: a convolutional neural network to learn
stain-invariant features through Hematoxylin & Eosin regression [1.7371375427784381]
本稿では,様々な色の変化を含むデータに基づいて,畳み込みニューラルネットワーク(CNN)を学習する新しい手法を提案する。
H&E-adversarial CNNと呼ばれるこの手法は、トレーニング中にH&Eマトリックス情報を利用して、染色不変の特徴を学習する。
論文 参考訳（メタデータ） (2022-01-17T10:34:23Z) - 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) - 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) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2020-11-13T16:04:39Z) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z) - Liver Segmentation in Abdominal CT Images via Auto-Context Neural
Network and Self-Supervised Contour Attention [6.268517865399281]
腹部CT画像に肝セグメンテーションのためのCNNを導入する。
一般化性能を改善するために,まず1つのCNNにおける自動文脈アルゴリズムを提案する。
提案したネットワークは,ネットワーク間で最高の一般化性能を示した。
論文 参考訳（メタデータ） (2020-02-14T07:32:45Z)
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。