論文の概要: Improving Specificity in Mammography Using Cross-correlation between
Wavelet and Fourier Transform
- arxiv url: http://arxiv.org/abs/2201.08385v1
- Date: Thu, 20 Jan 2022 00:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 23:17:02.069292
- Title: Improving Specificity in Mammography Using Cross-correlation between
Wavelet and Fourier Transform
- Title(参考訳): ウェーブレットとフーリエ変換の相互相関を用いたマンモグラフィの特異性向上
- Authors: Liuhua Zhang
- Abstract要約: 乳がんの発生率は世界中で高いが、死亡率は継続的に減少している。
本稿では、離散ウェーブレット変換とフーリエ変換を適用して画像を解析する手法を検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Breast cancer is in the most common malignant tumor in women. It accounted
for 30% of new malignant tumor cases. Although the incidence of breast cancer
remains high around the world, the mortality rate has been continuously
reduced. This is mainly due to recent developments in molecular biology
technology and improved level of comprehensive diagnosis and standard
treatment. Early detection by mammography is an integral part of that. The most
common breast abnormalities that may indicate breast cancer are masses and
calcifications. Previous detection approaches usually obtain relatively high
sensitivity but unsatisfactory specificity. We will investigate an approach
that applies the discrete wavelet transform and Fourier transform to parse the
images and extracts statistical features that characterize an image's content,
such as the mean intensity and the skewness of the intensity. A naive Bayesian
classifier uses these features to classify the images. We expect to achieve an
optimal high specificity.
- Abstract(参考訳): 乳癌は女性で最も一般的な悪性腫瘍である。
新規悪性腫瘍の30%を占めた。
乳がんの発生率は世界中で高いが、死亡率は継続的に減少している。
これは主に最近の分子生物学技術の発展と包括的診断と標準治療の改善によるものである。
マンモグラフィーによる早期発見は、その不可欠な部分である。
乳がんを示唆する最も一般的な乳がんの異常は、腫瘤と石灰化である。
従来の検出アプローチは、比較的感度が高いが不十分な特異性が得られる。
本稿では,離散ウェーブレット変換とフーリエ変換を用いて画像解析を行い,平均強度や強度のゆがみといった画像の内容に特徴付ける統計的特徴を抽出する手法について検討する。
単純ベイズ分類器はこれらの特徴を用いて画像を分類する。
我々は最適な高特異性を達成することを期待する。
関連論文リスト
- Class-Specific Data Augmentation: Bridging the Imbalance in Multiclass
Breast Cancer Classification [0.0]
本稿では、クラスレベルのデータ拡張を採用し、アンダーサンプされたクラスに対処し、検出率を高める。
本研究の目的は,多クラス分類を運用し,画像を良性または4種類の悪性乳癌の1つに分類することで,医療専門家の業務を簡素化することである。
論文 参考訳(メタデータ) (2023-10-15T23:19:35Z) - ViT-DeiT: An Ensemble Model for Breast Cancer Histopathological Images
Classification [0.0]
提案するアンサンブルモデルでは,乳がんの病理像を8つのクラスに分類する。
実験の結果、98.17%の精度、98.18%の精度、98.08%のリコール、98.12%のF1スコアが得られた。
論文 参考訳(メタデータ) (2022-11-01T21:10:00Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳(メタデータ) (2022-09-20T15:57:12Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - 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) - Breast Cancer Classification Using: Pixel Interpolation [0.0]
提案システムは,Mammogram Image Analysis Society (MIAS)の画像データベースから得られた複数の画像に対して,プログラムを用いて実装し,テストする。
このシステムはより高速に動作し、あらゆる放射線技師が視覚検査によって石灰化の出現について明確な決定を下すことができる。
論文 参考訳(メタデータ) (2021-11-03T16:58:17Z) - Deep Integrated Pipeline of Segmentation Leading to Classification for
Automated Detection of Breast Cancer from Breast Ultrasound Images [0.0]
提案フレームワークは,超音波画像の前処理をSLIC(Simple Linear Iterative Clustering)と統合し,乳房超音波画像の複雑なアーティファクトに対処する。
提案した自動パイプラインは、乳がんをより正確かつタイムリーに診断する医療従事者を支援するために効果的に実装することができる。
論文 参考訳(メタデータ) (2021-10-26T20:42:39Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Use of Transfer Learning and Wavelet Transform for Breast Cancer
Detection [6.14950556643824]
深層学習はマンモグラフィーで得られた画像中の癌塊の検出に広く用いられている。
画像スキャンにおける重要な特徴を高めるために,セグメンテーションとウェーブレット変換を導入する。
提案システムは,セグメンテーションとウェーブレット変換の組み合わせを用いて,がん検出のスクリーニング段階における放射線科医を支援する。
論文 参考訳(メタデータ) (2021-03-05T11:08:56Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳(メタデータ) (2020-03-23T01:26:36Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。