Fugu-MT 論文翻訳(概要): Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network

論文の概要: Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2204.12297v1
Date: Tue, 26 Apr 2022 13:20:42 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 12:17:08.734036
Title: Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network
Title（参考訳）: 新しい進化的畳み込みニューラルネットワークを用いた脳腫瘍の検出と分類
Authors: Amin Abdollahi Dehkordi, Mina Hashemi, Mehdi Neshat, Seyedali Mirjalili, Ali Safaa Sadiq
Abstract要約: この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
参考スコア（独自算出の注目度）: 18.497065020090062
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A definitive diagnosis of a brain tumour is essential for enhancing treatment success and patient survival. However, it is difficult to manually evaluate multiple magnetic resonance imaging (MRI) images generated in a clinic. Therefore, more precise computer-based tumour detection methods are required. In recent years, many efforts have investigated classical machine learning methods to automate this process. Deep learning techniques have recently sparked interest as a means of diagnosing brain tumours more accurately and robustly. The goal of this study, therefore, is to employ brain MRI images to distinguish between healthy and unhealthy patients (including tumour tissues). As a result, an enhanced convolutional neural network is developed in this paper for accurate brain image classification. The enhanced convolutional neural network structure is composed of components for feature extraction and optimal classification. Nonlinear L\'evy Chaotic Moth Flame Optimizer (NLCMFO) optimizes hyperparameters for training convolutional neural network layers. Using the BRATS 2015 data set and brain image datasets from Harvard Medical School, the proposed model is assessed and compared with various optimization techniques. The optimized CNN model outperforms other models from the literature by providing 97.4% accuracy, 96.0% sensitivity, 98.6% specificity, 98.4% precision, and 96.6% F1-score, (the mean of the weighted harmonic value of CNN precision and recall).
Abstract（参考訳）: 脳腫瘍の診断は、治療の成功と患者の生存の促進に不可欠である。しかし、診療所で発生する複数のMRI像を手動で評価することは困難である。そのため、より精密なコンピュータによる腫瘍検出が必要となる。近年、このプロセスを自動化するための古典的機械学習手法の研究が数多く行われている。深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。この研究の目的は、脳MRI画像を用いて、健康な患者と不健康な患者(腫瘍組織を含む)を区別することである。そこで本論文では,脳画像の高精度分類のための拡張畳み込みニューラルネットワークを開発した。拡張畳み込みニューラルネットワーク構造は、特徴抽出と最適分類のためのコンポーネントで構成されている。非線形L\'evy Chaotic Moth Flame Optimizer (NLCMFO)は、畳み込みニューラルネットワーク層をトレーニングするためのハイパーパラメータを最適化する。ハーバード大学医学部のbrats 2015データセットと脳画像データセットを用いて,提案モデルを評価し,様々な最適化手法と比較した。最適化されたcnnモデルは、97.4%の精度、96.0%の感度、98.6%の特異性、98.4%の精度、96.6%のf1-score(cnnの重み付き調和値とリコールの平均)を提供することで、文献から他のモデルを上回る。

関連論文リスト

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)
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)
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
論文参考訳（メタデータ） (2023-10-26T18:27:20Z)
Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images [1.534667887016089]
脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
論文参考訳（メタデータ） (2023-10-19T19:13:04Z)
An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
脳腫瘍の不正確な同定は、寿命を著しく低下させる。本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
論文参考訳（メタデータ） (2023-05-22T09:08:59Z)
A deep learning approach for brain tumor detection using magnetic resonance imaging [0.0]
脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。 MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
論文参考訳（メタデータ） (2022-10-25T10:13:29Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。提案手法の性能を2073個のMRI画像で検証する実験を行った。性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
論文参考訳（メタデータ） (2022-06-08T14:29:06Z)
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)
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)
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)

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。