論文の概要: Producing Histopathology Phantom Images using Generative Adversarial
Networks to improve Tumor Detection
- arxiv url: http://arxiv.org/abs/2205.10691v1
- Date: Sat, 21 May 2022 23:04:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 08:23:00.143324
- Title: Producing Histopathology Phantom Images using Generative Adversarial
Networks to improve Tumor Detection
- Title(参考訳): ジェネレーティブ・ディバイサル・ネットワークを用いた病理ファントム画像の作成と腫瘍検出の改善
- Authors: Vidit Gautam
- Abstract要約: 本稿では,GANを用いたデータ拡張が,我々のデータセットにおける異なる種類のがんの分布の不均一性を軽減するための有効な解決策であることを確かめる。
実験の結果,50%に増強されたデータセットは腫瘍検出率を80%から87.5%に向上させることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advance in medical imaging is an important part in deep learning research.
One of the goals of computer vision is development of a holistic, comprehensive
model which can identify tumors from histology slides obtained via biopsies. A
major problem that stands in the way is lack of data for a few cancer-types. In
this paper, we ascertain that data augmentation using GANs can be a viable
solution to reduce the unevenness in the distribution of different cancer types
in our dataset. Our demonstration showed that a dataset augmented to a 50%
increase causes an increase in tumor detection from 80% to 87.5%
- Abstract(参考訳): 医学画像の進歩は深層学習研究の重要な部分である。
コンピュータビジョンの目標の1つは、生検で得られた組織学的スライドから腫瘍を識別できる包括的包括的モデルの開発である。
主要な問題は、いくつかのがんタイプのデータがないことだ。
本稿では,ganを用いたデータ拡張が,我々のデータセットにおける異なるがんタイプの分布のムラを減少させる有効な解決策となることを確かめる。
実験の結果,50%増のデータセットでは腫瘍検出率が80%から87.5%に増加した。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳(メタデータ) (2023-11-30T15:11:03Z) - Generating 3D Brain Tumor Regions in MRI using Vector-Quantization
Generative Adversarial Networks [5.380977479547755]
本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。
提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
論文 参考訳(メタデータ) (2023-10-02T14:39:10Z) - Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。
このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文 参考訳(メタデータ) (2023-02-11T04:30:40Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - 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) - TumorCP: A Simple but Effective Object-Level Data Augmentation for Tumor
Segmentation [20.02697042193913]
tumorCPは、腫瘍のセグメンテーションに適した、単純だが効果的なオブジェクトレベルのデータ拡張法である。
腎臓腫瘍セグメンテーションタスクの実験では、腫瘍CPが強いベースラインを7.12%超えることが示されている。
腫瘍CPは、極めて低データのレギュレーションにおいて顕著な改善をもたらす可能性がある。
論文 参考訳(メタデータ) (2021-07-21T02:26:50Z) - BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
近年、深層学習は科学の様々な分野、特に医学で広く採用されている。
乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
論文 参考訳(メタデータ) (2021-07-11T12:55:33Z) - Glioma Prognosis: Segmentation of the Tumor and Survival Prediction
using Shape, Geometric and Clinical Information [13.822139791199106]
我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。
私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
論文 参考訳(メタデータ) (2021-04-02T10:49:05Z) - 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) - 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。