Fugu-MT 論文翻訳(概要): Zero-Shot and Few-Shot Learning for Lung Cancer Multi-Label Classification using Vision Transformer

論文の概要: Zero-Shot and Few-Shot Learning for Lung Cancer Multi-Label Classification using Vision Transformer

arxiv url: http://arxiv.org/abs/2205.15290v2
Date: Tue, 31 May 2022 17:11:03 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 11:44:03.400512
Title: Zero-Shot and Few-Shot Learning for Lung Cancer Multi-Label Classification using Vision Transformer
Title（参考訳）: 視覚トランスフォーマーを用いた肺癌マルチラベル分類のためのゼロショット・マイノショット学習
Authors: Fu-Ming Guo, Yingfang Fan
Abstract要約: 肺腺癌(LUAD)と肺扁平上皮癌(LUSC)は非小細胞肺癌(NSCLC)の最も一般的な組織型である本研究では,事前学習したViTモデルがゼロショット設定において優れた性能を示し,Fewショット設定では競合精度(99.87%$),Fewショット表示では最適結果(100.00%$)が得られた。
参考スコア（独自算出の注目度）: 0.685316573653194
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Lung cancer is the leading cause of cancer-related death worldwide. Lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC) are the most common histologic subtypes of non-small-cell lung cancer (NSCLC). Histology is an essential tool for lung cancer diagnosis. Pathologists make classifications according to the dominant subtypes. Although morphology remains the standard for diagnosis, significant tool needs to be developed to elucidate the diagnosis. In our study, we utilize the pre-trained Vision Transformer (ViT) model to classify multiple label lung cancer on histologic slices (from dataset LC25000), in both Zero-Shot and Few-Shot settings. Then we compare the performance of Zero-Shot and Few-Shot ViT on accuracy, precision, recall, sensitivity and specificity. Our study show that the pre-trained ViT model has a good performance in Zero-Shot setting, a competitive accuracy ($99.87\%$) in Few-Shot setting ({epoch = 1}) and an optimal result ($100.00\%$ on both validation set and test set) in Few-Shot seeting ({epoch = 5}).
Abstract（参考訳）: 肺がんは世界中でがん関連死亡の原因となっている。肺腺癌(LUAD)と肺扁平上皮癌(LUSC)は非小細胞肺癌(NSCLC)の最も一般的な組織型である。病理組織学は肺癌の診断に必須のツールである。病理学者は支配的なサブタイプに従って分類を行う。形態学は依然として診断の標準であるが,診断の解明には重要なツールを開発する必要がある。本研究では,Zero-Shot と Few-Shot の両設定において,前訓練した Vision Transformer (ViT) モデルを用いて,病理組織学的スライス(LC25000 データセット)に基づいて複数ラベルの肺がんを分類する。次に、Zero-ShotとFew-Shot ViTのパフォーマンスを精度、精度、リコール、感度、特異性について比較する。本研究では,事前学習したViTモデルがゼロショット設定において優れた性能を示し,Fewショット設定({epoch = 1})における競合精度(99.87\%$)とFewショット表示({epoch = 5})における最適結果(検証セットとテストセットの両方において100.00\%$)が得られた。

関連論文リスト

Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文参考訳（メタデータ） (2024-07-02T19:30:25Z)
Skin Cancer Images Classification using Transfer Learning Techniques [0.0]
良性期における皮膚癌の早期診断は、がん死亡率の低下に重要である。これまで,様々な深層学習モデルを用いた皮膚癌診断の課題に対処してきた。本研究は, 良性および悪性期における皮膚癌検出のバイナリ分類に, 5種類の事前学習型トランスファーラーニングアプローチを適用した。
論文参考訳（メタデータ） (2024-06-18T15:48:20Z)
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)
Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文参考訳（メタデータ） (2023-11-27T11:12:33Z)
Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN) [0.2578242050187029]
がんは人体内の異常な細胞の制御不能な細胞分裂であり、他の臓器に拡がることがある。非感染性疾患(NCD)の1つであり、NCDは全世界で死者の71%を占めている。乳癌は女性乳癌に次いで2番目に多いがんである。肺癌の生存率は19%に過ぎない。
論文参考訳（メタデータ） (2021-12-27T07:43:58Z)
CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
肺腺癌(LAUC)は近年最も多い疾患である。肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
論文参考訳（メタデータ） (2021-10-17T04:37:24Z)
COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文参考訳（メタデータ） (2021-05-04T19:01:40Z)
Momentum Contrastive Learning for Few-Shot COVID-19 Diagnosis from Chest CT Images [41.73507451077361]
本稿では,新型コロナウイルスの自動診断のための新しい深層学習アルゴリズムを提案する。コントラスト学習を用いてエンコーダを訓練し,大規模かつ一般公開された肺データセット上の表現的特徴表現をキャプチャする。以上の結果より,胸部CT画像による新型コロナウイルスの正確な診断におけるモデルの有用性が示唆された。
論文参考訳（メタデータ） (2020-06-16T10:14:58Z)
SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2020-05-30T16:01:31Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。