論文の概要: Noise-reducing attention cross fusion learning transformer for
histological image classification of osteosarcoma
- arxiv url: http://arxiv.org/abs/2204.13838v1
- Date: Fri, 29 Apr 2022 00:57:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 04:16:15.661641
- Title: Noise-reducing attention cross fusion learning transformer for
histological image classification of osteosarcoma
- Title（参考訳）: 骨肉腫の組織像分類のためのノイズ低減型クロスフュージョン学習トランス
- Authors: Liangrui Pan, Hetian Wang, Lian Wang, Boya Ji, Mingting Liu, Mitchai
Chongcheawchamnan, Jin Yuan, Shaoliang Peng
- Abstract要約: 本研究の目的は,人工知能を用いて骨肉腫の組織像を分類し,腫瘍の生存と壊死を評価することである。
本稿では,ノイズ低減畳み込みオートエンコーダと特徴融合学習を統合した典型的なトランスフォーマー画像分類フレームワークを提案する。
本手法は, 骨肉腫の診断を支援するため, 各種評価指標における従来型および深層学習法よりも99.17%の精度で優れていた。
- 参考スコア（独自算出の注目度）: 2.8265965924600276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The degree of malignancy of osteosarcoma and its tendency to
metastasize/spread mainly depend on the pathological grade (determined by
observing the morphology of the tumor under a microscope). The purpose of this
study is to use artificial intelligence to classify osteosarcoma histological
images and to assess tumor survival and necrosis, which will help doctors
reduce their workload, improve the accuracy of osteosarcoma cancer detection,
and make a better prognosis for patients. The study proposes a typical
transformer image classification framework by integrating noise reduction
convolutional autoencoder and feature cross fusion learning (NRCA-FCFL) to
classify osteosarcoma histological images. Noise reduction convolutional
autoencoder could well denoise histological images of osteosarcoma, resulting
in more pure images for osteosarcoma classification. Moreover, we introduce
feature cross fusion learning, which integrates two scale image patches, to
sufficiently explore their interactions by using additional classification
tokens. As a result, a refined fusion feature is generated, which is fed to the
residual neural network for label predictions. We conduct extensive experiments
to evaluate the performance of the proposed approach. The experimental results
demonstrate that our method outperforms the traditional and deep learning
approaches on various evaluation metrics, with an accuracy of 99.17% to support
osteosarcoma diagnosis.
- Abstract（参考訳）: 骨肉腫の悪性度とその転移・散在傾向は, 病理組織学的所見(顕微鏡下腫瘍の形態観察により決定される)に主に依存する。
本研究の目的は, 骨肉腫の組織像の分類に人工知能を応用し, 腫瘍の生存率と壊死度を評価することであり, 医師の作業負荷軽減, 骨肉腫癌検出精度の向上, 患者の予後向上に寄与する。
本研究では,骨肉腫の組織像を分類するために,ノイズ低減畳み込みオートエンコーダと機能クロスフュージョン学習(NRCA-FCFL)を統合した典型的なトランスフォーマー画像分類フレームワークを提案する。
骨肉腫の組織像は, ノイズ低減畳み込み自己エンコーダにより, より純粋な画像が得られた。
さらに,2つのスケールイメージパッチを統合した機能クロスフュージョン学習を導入し,追加の分類トークンを用いてそのインタラクションを十分に探究する。
その結果、ラベル予測のために残留ニューラルネットワークに供給される洗練された融合特徴が生成される。
提案手法の性能評価のために広範な実験を行った。
以上の結果から, 骨肉腫診断の精度は99.17%であり, 従来法および深層学習法よりも高い結果が得られた。
関連論文リスト
- Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。
我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。
このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
論文 参考訳（メタデータ） (2024-10-29T13:54:08Z) - Tumor-Centered Patching for Enhanced Medical Image Segmentation [0.0]
本研究は、パッチベースの画像解析のための腫瘍自体を中心にした革新的なアプローチを導入する。
腫瘍の解剖学的文脈にパッチを合わせることにより、この技術は特徴抽出の精度を高め、計算負荷を低減する。
論文 参考訳（メタデータ） (2023-08-23T14:35:03Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - 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) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Classification of Breast Cancer Lesions in Ultrasound Images by using
Attention Layer and loss Ensembles in Deep Convolutional Neural Networks [0.0]
本稿では,VGG16アーキテクチャーのアテンションモジュールを用いた乳癌病変の分類のための新しい枠組みを提案する。
また,双曲性コサイン損失の二値交互エントロピーと対数の組み合わせである新たなアンサンブル損失関数を提案し,分類病変とそのラベル間のモデル差を改善する。
本研究で提案したモデルは,93%の精度で他の改良VGG16アーキテクチャよりも優れており,乳がん病変の分類のための他の技術フレームワークと競合する結果となった。
論文 参考訳（メタデータ） (2021-02-23T06:49:12Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D
CNNs [0.0699049312989311]
放射線医のアノテーションとCTスキャンの画像分類を併用して肺悪性度を推定するハイブリッドアルゴリズムを提案する。
提案アルゴリズムは3次元畳み込みニューラルネットワーク(CNN)とランダムフォレストを用いて,CT画像とバイオマーカーのアノテーションと放射能の特徴を組み合わせる。
画像バイオマーカーのみを用いたモデルは,バイオマーカーをボリュームラジオミクス,3D CNN,セミ教師付き学習と組み合わせたモデルよりも精度が高いことを示す。
論文 参考訳（メタデータ） (2020-10-19T18:57:26Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z)
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。