論文の概要: Multi-Classification of Brain Tumor Images Using Transfer Learning Based
Deep Neural Network
- arxiv url: http://arxiv.org/abs/2206.08543v1
- Date: Fri, 17 Jun 2022 04:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-21 03:37:49.560473
- Title: Multi-Classification of Brain Tumor Images Using Transfer Learning Based
Deep Neural Network
- Title(参考訳): 伝達学習に基づくディープニューラルネットワークを用いた脳腫瘍画像の多重分類
- Authors: Pramit Dutta, Khaleda Akhter Sathi and Md. Saiful Islam
- Abstract要約: 本稿では,脳腫瘍画像の分類精度を伝達学習に基づくディープニューラルネットワークを用いて高めることに焦点を当てた。
提案モデルでは,既存の複数分類法に比べて精度が96.25%向上した。
- 参考スコア(独自算出の注目度): 0.5893124686141781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent advancement towards computer based diagnostics system, the
classification of brain tumor images is a challenging task. This paper mainly
focuses on elevating the classification accuracy of brain tumor images with
transfer learning based deep neural network. The classification approach is
started with the image augmentation operation including rotation, zoom,
hori-zontal flip, width shift, height shift, and shear to increase the
diversity in image datasets. Then the general features of the input brain tumor
images are extracted based on a pre-trained transfer learning method comprised
of Inception-v3. Fi-nally, the deep neural network with 4 customized layers is
employed for classi-fying the brain tumors in most frequent brain tumor types
as meningioma, glioma, and pituitary. The proposed model acquires an effective
performance with an overall accuracy of 96.25% which is much improved than some
existing multi-classification methods. Whereas, the fine-tuning of
hyper-parameters and inclusion of customized DNN with the Inception-v3 model
results in an im-provement of the classification accuracy.
- Abstract(参考訳): 近年,脳腫瘍画像の分類が課題となっている。
本稿では,脳腫瘍画像の分類精度を伝達学習に基づくディープニューラルネットワークで高めることに焦点を当てた。
分類法は、画像データセットの多様性を高めるために、回転、ズーム、水平方向のフリップ、幅シフト、高さシフト、せん断を含む画像拡張操作から始める。
そして、インセプションv3からなる事前学習された伝達学習方法に基づいて、入力脳腫瘍画像の一般特徴を抽出する。
4つの層がカスタマイズされたディープニューラルネットワークは、髄膜腫、グリオーマ、下垂体などの最も頻繁に発生する脳腫瘍の分類に使用される。
提案手法は, 従来のマルチクラス化法に比べて, 96.25%の精度で性能が向上した。
一方、超パラメータの微調整とインセプション-v3モデルによるカスタマイズDNNの導入により、分類精度が向上する。
関連論文リスト
- A Deep Learning Approach for Brain Tumor Classification and Segmentation
Using a Multiscale Convolutional Neural Network [0.0]
本稿では,Deep Convolutional Neural Networkを用いた完全自動脳腫瘍分割分類モデルを提案する。
腫瘍の分類精度は0.973で, 同一のデータベースを用いた他の手法よりも高い値を示した。
論文 参考訳(メタデータ) (2024-02-04T17:47:03Z) - Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。
MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。
CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。
本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。
以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-15T12:26:24Z) - 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) - Detection and Classification of Brain tumors Using Deep Convolutional
Neural Networks [0.0]
脳の腫瘍はがんなので致命的です。
脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。
本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
論文 参考訳(メタデータ) (2022-08-28T18:24:22Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
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。
論文 参考訳(メタデータ) (2022-04-26T13:20:42Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - 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) - 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) - 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) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳(メタデータ) (2020-06-20T17:56:46Z)
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。