論文の概要: A Comparative Study of Gastric Histopathology Sub-size Image
Classification: from Linear Regression to Visual Transformer
- arxiv url: http://arxiv.org/abs/2205.12843v1
- Date: Wed, 25 May 2022 15:13:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-26 15:28:00.698897
- Title: A Comparative Study of Gastric Histopathology Sub-size Image
Classification: from Linear Regression to Visual Transformer
- Title（参考訳）: 胃病理組織学的サブサイズ画像分類の比較検討:リニア回帰からビジュアルトランスまで
- Authors: Weiming Hu, Haoyuan Chen, Wanli Liu, Xiaoyan Li, Hongzan Sun, Xinyu
Huang, Marcin Grzegorzek and Chen Li
- Abstract要約: 胃がんは世界で5番目に多いがんである。
コンピュータ技術は、胃癌の診断で医師を支援するために急速に進歩している。
- 参考スコア（独自算出の注目度）: 25.66209350064889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gastric cancer is the fifth most common cancer in the world. At the same
time, it is also the fourth most deadly cancer. Early detection of cancer
exists as a guide for the treatment of gastric cancer. Nowadays, computer
technology has advanced rapidly to assist physicians in the diagnosis of
pathological pictures of gastric cancer. Ensemble learning is a way to improve
the accuracy of algorithms, and finding multiple learning models with
complementarity types is the basis of ensemble learning. The complementarity of
sub-size pathology image classifiers when machine performance is insufficient
is explored in this experimental platform. We choose seven classical machine
learning classifiers and four deep learning classifiers for classification
experiments on the GasHisSDB database. Among them, classical machine learning
algorithms extract five different image virtual features to match multiple
classifier algorithms. For deep learning, we choose three convolutional neural
network classifiers. In addition, we also choose a novel Transformer-based
classifier. The experimental platform, in which a large number of classical
machine learning and deep learning methods are performed, demonstrates that
there are differences in the performance of different classifiers on GasHisSDB.
Classical machine learning models exist for classifiers that classify Abnormal
categories very well, while classifiers that excel in classifying Normal
categories also exist. Deep learning models also exist with multiple models
that can be complementarity. Suitable classifiers are selected for ensemble
learning, when machine performance is insufficient. This experimental platform
demonstrates that multiple classifiers are indeed complementarity and can
improve the efficiency of ensemble learning. This can better assist doctors in
diagnosis, improve the detection of gastric cancer, and increase the cure rate.
- Abstract（参考訳）: 胃癌は世界で5番目に多いがんである。
同時に、致命的な癌としては4番目に多い。
早期癌の発見は胃癌治療の指針として存在する。
近年, 胃癌の病理画像診断において, コンピュータ技術が急速に進歩している。
アンサンブル学習はアルゴリズムの精度を向上させる方法であり、相補型を持つ複数の学習モデルを見つけることはアンサンブル学習の基礎である。
本実験では,機械性能が不十分な場合のサブサイズ画像分類器の相補性を検討した。
gashissdbデータベース上で7つの古典的機械学習分類器と4つのディープラーニング分類器を選択した。
その中でも、古典的な機械学習アルゴリズムは、複数の分類器アルゴリズムにマッチする5つの異なる画像仮想特徴を抽出する。
ディープラーニングでは,3つの畳み込みニューラルネットワーク分類器を選択する。
さらに,新しい変圧器に基づく分類器も選択する。
古典的機械学習とディープラーニングの手法を多数実施した実験プラットフォームでは,gashissdb上で異なる分類器の性能に違いがあることが示されている。
古典的な機械学習モデルは、異常なカテゴリを非常によく分類する分類器に対して存在し、通常のカテゴリを分類する分類器も存在します。
ディープラーニングモデルには、相補的な複数のモデルが存在する。
機械性能が不十分な場合、アンサンブル学習に適した分類器が選択される。
この実験プラットフォームは、複数の分類器が本当に相補性を持ち、アンサンブル学習の効率を向上させることを証明している。
これにより、医師の診断を助け、胃癌の検出を改善し、治療率を高めることができる。
関連論文リスト
- Comparison of Machine Learning Classification Algorithms and Application
to the Framingham Heart Study [0.0]
医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。
本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
論文 参考訳（メタデータ） (2024-02-22T22:49:35Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - Breast Cancer Classification Based on Histopathological Images Using a
Deep Learning Capsule Network [0.0]
本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。
本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。
結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
論文 参考訳（メタデータ） (2022-08-01T03:45:36Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。
本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
論文 参考訳（メタデータ） (2021-06-01T10:52:41Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。
当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文 参考訳（メタデータ） (2020-10-09T11:46:38Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。