論文の概要: Deep Learning Hyperparameter Optimization for Breast Mass Detection in Mammograms

• arxiv url: http://arxiv.org/abs/2207.11244v1
• Date: Fri, 22 Jul 2022 17:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:19:38.117364
• Title: Deep Learning Hyperparameter Optimization for Breast Mass Detection in Mammograms
• Title（参考訳）: マンモグラムにおける乳房腫瘤検出のためのディープラーニングハイパーパラメータ最適化
• Authors: Adarsh Sehgal, Muskan Sehgal, Hung Manh La, and George Bebis
• Abstract要約: 深層学習法はマンモグラムの質量検出に非常に有効であることが示されている。 本稿では,Brest癌検出のためのDLモデルのハイパーパラメータを調整するための新しいアプローチであるGA-E2Eを提案する。
• 参考スコア（独自算出の注目度）: 0.7387226437589183
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate breast cancer diagnosis through mammography has the potential to save millions of lives around the world. Deep learning (DL) methods have shown to be very effective for mass detection in mammograms. Additional improvements of current DL models will further improve the effectiveness of these methods. A critical issue in this context is how to pick the right hyperparameters for DL models. In this paper, we present GA-E2E, a new approach for tuning the hyperparameters of DL models for brest cancer detection using Genetic Algorithms (GAs). Our findings reveal that differences in parameter values can considerably alter the area under the curve (AUC), which is used to determine a classifier's performance.
• Abstract（参考訳）: マンモグラフィによる正確な乳がん診断は、世界中の何百万人もの命を救える可能性がある。 深層学習(DL)法はマンモグラムの質量検出に非常に有効であることが示されている。 現在のDLモデルのさらなる改良により、これらの手法の有効性がさらに向上する。 この文脈における重要な問題は、DLモデルの適切なハイパーパラメータの選択方法である。 本稿では,遺伝アルゴリズム(gas)を用いた肝細胞癌検出のためのdlモデルのハイパーパラメータをチューニングするための新しい手法であるga-e2eを提案する。 以上の結果から, パラメータ値の差は, 分類器の性能決定に用いられる曲線下領域(auc)を大きく変化させる可能性が示唆された。

関連論文リスト

• Optimizing Lung Cancer Detection in CT Imaging: A Wavelet Multi-Layer Perceptron (WMLP) Approach Enhanced by Dragonfly Algorithm (DA) [0.294944680995069]
  本研究では,CTスキャン画像から肺がんを分類するための最先端のディープラーニングフレームワークを提案する。 この研究には、画像前処理戦略、特にCannyエッジ検出とウェーブレット変換が含まれる。 この手法は99.82%の優れた訓練と検査精度を達成し、肺癌の正確な診断の有効性と信頼性を裏付けている。
  論文  参考訳（メタデータ） (2024-08-27T18:27:47Z)
• Exploring Machine Learning Models for Lung Cancer Level Classification: A comparative ML Approach [0.0]
  本稿では,肺がんレベルを分類する機械学習(ML)モデルについて検討する。 オーバーフィッティングを減らし、パフォーマンスを最適化するために、最小の児童体重と学習率モニタリングを使用します。 投票やバッグングを含むアンサンブル手法も、予測精度と堅牢性を高めることを約束している。
  論文  参考訳（メタデータ） (2024-08-23T04:56:36Z)
• Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
  CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。 特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
  論文  参考訳（メタデータ） (2024-05-13T16:07:58Z)
• 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)
• Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
  乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。 悪性の腫瘤を正確に識別することは 依然として困難です マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:22:14Z)
• 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)
• 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)
• 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)
• 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。