論文の概要: Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features

• arxiv url: http://arxiv.org/abs/2206.12815v1
• Date: Sun, 26 Jun 2022 07:54:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 14:20:02.502623
• Title: Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features
• Title（参考訳）: 手作り特徴を加味した深達度特徴を用いた乳癌分類
• Authors: Unaiza Sajid, Dr. Rizwan Ahmed Khan, Dr. Shahid Munir Shah, Dr. Sheeraz Arif
• Abstract要約: 早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。 本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。 提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is one of the leading causes of death among women across the globe. It is difficult to treat if detected at advanced stages, however, early detection can significantly increase chances of survival and improves lives of millions of women. Given the widespread prevalence of breast cancer, it is of utmost importance for the research community to come up with the framework for early detection, classification and diagnosis. Artificial intelligence research community in coordination with medical practitioners are developing such frameworks to automate the task of detection. With the surge in research activities coupled with availability of large datasets and enhanced computational powers, it expected that AI framework results will help even more clinicians in making correct predictions. In this article, a novel framework for classification of breast cancer using mammograms is proposed. The proposed framework combines robust features extracted from novel Convolutional Neural Network (CNN) features with handcrafted features including HOG (Histogram of Oriented Gradients) and LBP (Local Binary Pattern). The obtained results on CBIS-DDSM dataset exceed state of the art.
• Abstract（参考訳）: 乳がんは世界中で女性の死因の1つだ。 進行段階において検出された場合は治療が困難であるが、早期発見は生存の可能性を大きく増やし、数百万人の女性の生活を改善する可能性がある。 乳がんが広範に流行していることを考えると、早期発見、分類、診断の枠組みを考えることが研究コミュニティにとって最も重要である。 医療従事者と協調する人工知能研究コミュニティは、検出タスクを自動化するためのフレームワークを開発している。 研究活動の急増と、大規模なデータセットの可用性と計算能力の強化により、AIフレームワークの結果は、より多くの臨床医が正しい予測を行うのに役立つと期待されている。 本稿では,マンモグラムを用いた乳癌の分類のための新しい枠組みを提案する。 提案フレームワークは,新しい畳み込みニューラルネットワーク(CNN)特徴とHOG(Histogram of Oriented Gradients)やLBP(Local Binary Pattern)などの手作り特徴とを結合する。 CBIS-DDSMデータセットの得られた結果は,最先端技術を上回る。

関連論文リスト

• Mammo-Clustering:A Weakly Supervised Multi-view Global-Local Context Clustering Network for Detection and Classification in Mammography [13.581151516877238]
  文脈クラスタリングに基づく乳がん早期検診モデルを提案する。 本モデルは, 乳がん検診における医師の負担軽減と, 未発達地域の女性に対する乳がん検診の可能性を高める可能性を示唆する。
  論文  参考訳（メタデータ） (2024-09-23T10:17:13Z)
• 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)
• Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures [3.883460584034766]
  南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。 医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。 本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T15:21:34Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
  深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。 高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。 本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
  論文  参考訳（メタデータ） (2022-09-20T15:57:12Z)
• 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)
• Artificial Intelligence For Breast Cancer Detection: Trends & Directions [0.0]
  本稿では,乳がん検診の自動化に研究者が用いた様々な画像モダリティを解析する。 この記事では、過去10年間に提案されたAIとコンピュータビジョンに基づく最先端の手法を要約し、乳癌を検出する。
  論文  参考訳（メタデータ） (2021-10-03T07:22:21Z)
• MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis [8.679247709183567]
  乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。 本研究では,乳がんの画像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-29T06:04:27Z)
• Deep learning approach for breast cancer diagnosis [1.6244541005112747]
  乳がんを効果的かつ早期に検出できるU-net構造に着想を得た新しいネットワークアーキテクチャを開発した。 その結果,臨床応用において提案手法の有用性を示す感度と特異性が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-03-10T00:47:37Z)

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。