Fugu-MT 論文翻訳(概要): A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models

論文の概要: A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models

arxiv url: http://arxiv.org/abs/2202.09850v1
Date: Sun, 20 Feb 2022 16:14:01 GMT
ステータス: 処理完了
システム内更新日: 2022-02-25 10:34:34.526380
Title: A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models
Title（参考訳）: 畳み込み変動生成モデルに基づく脳腫瘍検出のための新しい枠組み
Authors: Wessam M. Salama and Ahmed Shokry
Abstract要約: 本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。提案フレームワークは、全体的な検出精度96.88%を取得する。提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
参考スコア（独自算出の注目度）: 6.726255259929498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Brain tumor detection can make the difference between life and death. Recently, deep learning-based brain tumor detection techniques have gained attention due to their higher performance. However, obtaining the expected performance of such deep learning-based systems requires large amounts of classified images to train the deep models. Obtaining such data is usually boring, time-consuming, and can easily be exposed to human mistakes which hinder the utilization of such deep learning approaches. This paper introduces a novel framework for brain tumor detection and classification. The basic idea is to generate a large synthetic MRI images dataset that reflects the typical pattern of the brain MRI images from a small class-unbalanced collected dataset. The resulted dataset is then used for training a deep model for detection and classification. Specifically, we employ two types of deep models. The first model is a generative model to capture the distribution of the important features in a set of small class-unbalanced brain MRI images. Then by using this distribution, the generative model can synthesize any number of brain MRI images for each class. Hence, the system can automatically convert a small unbalanced dataset to a larger balanced one. The second model is the classifier that is trained using the large balanced dataset to detect brain tumors in MRI images. The proposed framework acquires an overall detection accuracy of 96.88% which highlights the promise of the proposed framework as an accurate low-overhead brain tumor detection system.
Abstract（参考訳）: 脳腫瘍検出は、生命と死を区別することができる。近年,ディープラーニングを用いた脳腫瘍検出技術が注目されている。しかし,このような深層学習システムの性能は,深層モデルの学習に大量の分類画像を必要とする。このようなデータを取得するのは退屈で時間がかかり、人間のミスに容易にさらされ、このようなディープラーニングアプローチの利用を妨げる。本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。基本的な考え方は、小さなクラス不均衡の収集データセットから、脳MRI画像の典型的なパターンを反映した大規模な合成MRI画像データセットを作成することである。得られたデータセットは、検出と分類のための深層モデルのトレーニングに使用される。具体的には,2種類の深層モデルを用いています。最初のモデルは、小さなクラス非バランスな脳mri画像における重要な特徴の分布を捉えた生成モデルである。そして、この分布を用いることで、生成モデルはクラス毎に任意の数の脳MRI画像を合成することができる。したがって、システムは小さな不均衡データセットをより大きな均衡データセットに自動的に変換することができる。第2のモデルは、mri画像中の脳腫瘍を検出するために、大きなバランスデータセットを使用して訓練される分類器である。提案フレームワークは96.88%の総合的検出精度を取得し,脳腫瘍検出システムとしてのフレームワークの約束を明らかにする。

関連論文リスト

Machine learning approach to brain tumor detection and classification [11.108853789803597]
脳MRI画像を用いて脳腫瘍を検出し分類するために,様々な統計的および機械学習モデルを適用した。以上の結果から,CNNは他のモデルよりも優れており,最高の性能を実現していることがわかった。本研究では、機械学習アプローチが脳腫瘍の検出と分類に適していることを示し、現実の医療応用を促進する。
論文参考訳（メタデータ） (2024-10-16T15:52:32Z)
A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。 MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。 CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-11-15T12:26:24Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
本稿では,脳腫瘍MRI画像の生成手法について述べる。その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
論文参考訳（メタデータ） (2022-12-04T09:01:33Z)
Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文参考訳（メタデータ） (2021-05-28T19:27:51Z)
SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文参考訳（メタデータ） (2020-11-15T14:01:24Z)
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)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。