論文の概要: Topological Optimized Convolutional Visual Recurrent Network for Brain Tumor Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2207.13021v2
• Date: Sun, 14 Jul 2024 11:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 05:46:45.304424
• Title: Topological Optimized Convolutional Visual Recurrent Network for Brain Tumor Segmentation and Classification
• Title（参考訳）: 脳腫瘍分離・分類のためのトポロジカル・オプティマイズド・コンボリューショナル・リカレント・ネットワーク
• Authors: Dhananjay Joshi, Bhupesh Kumar Singh, Kapil Kumar Nagwanshi, Nitin S. Choubey,
• Abstract要約: 我々は,脳腫瘍の分類と分類のためのトポロジカルデータ解析に基づく改良型永続ホモロジーと畳み込み移動学習と視覚的反復学習モデルを開発した。 他の既存の脳腫瘍の分類モデルと比較して、提案されたCTVR-EHOおよびTDA-IPHアプローチは、高い精度(99.8%)、高いリコール(99.23%)、高い精度(99.67%)、高いFスコア(99.59%)を示す。
• 参考スコア（独自算出の注目度）: 1.2499537119440245
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In today's world of health care, brain tumor detection has become common. However, the manual brain tumor classification approach is time-consuming. So Deep Convolutional Neural Network (DCNN) is used by many researchers in the medical field for making accurate diagnoses and aiding in the patient's treatment. The traditional techniques have problems such as overfitting and the inability to extract necessary features. To overcome these problems, we developed the Topological Data Analysis based Improved Persistent Homology (TDA-IPH) and Convolutional Transfer learning and Visual Recurrent learning with Elephant Herding Optimization hyper-parameter tuning (CTVR-EHO) models for brain tumor segmentation and classification. Initially, the Topological Data Analysis based Improved Persistent Homology is designed to segment the brain tumor image. Then, from the segmented image, features are extracted using TL via the AlexNet model and Bidirectional Visual Long Short-Term Memory (Bi-VLSTM). Next, elephant Herding Optimization (EHO) is used to tune the hyperparameters of both networks to get an optimal result. Finally, extracted features are concatenated and classified using the softmax activation layer. The simulation result of this proposed CTVR-EHO and TDA-IPH method is analyzed based on precision, accuracy, recall, loss, and F score metrics. When compared to other existing brain tumor segmentation and classification models, the proposed CTVR-EHO and TDA-IPH approaches show high accuracy (99.8%), high recall (99.23%), high precision (99.67%), and high F score (99.59%).
• Abstract（参考訳）: 今日の医療の世界では、脳腫瘍検出が一般的になっている。 しかし、手動脳腫瘍分類法は時間を要する。 そこで、ディープ・コンボリューショナル・ニューラル・ニューラルネットワーク(DCNN)は、医療分野の多くの研究者によって、正確な診断と患者の治療への補助のために使用されている。 従来のテクニックには、オーバーフィットや必要な特徴を抽出できないといった問題がある。 これらの問題を解決するため,我々は,TDA-IPHを用いたトポロジカルデータ解析と,Elephant Herding Optimization hyper-parameter tuning (CTVR-EHO)モデルを用いた畳み込み変換学習と視覚的リカレント学習を開発した。 当初、トポロジカルデータ解析に基づく改善された永続的ホモロジーは、脳腫瘍像をセグメント化するように設計されていた。 次に、セグメント画像から、AlexNetモデルとBidirectional Visual Long Short-Term Memory (Bi-VLSTM)を介してTLを用いて特徴を抽出する。 次に、象のハーディング最適化(EHO)を用いて、両方のネットワークのハイパーパラメータを調整し、最適な結果を得る。 最後に、抽出した特徴をソフトマックス活性化層を用いて連結分類する。 提案したCTVR-EHO法とTDA-IPH法のシミュレーション結果を,精度,精度,リコール,損失,Fスコアの指標に基づいて解析した。 他の既存の脳腫瘍の分類モデルと比較すると、提案されたCTVR-EHOおよびTDA-IPHアプローチは高い精度(99.8%)、高いリコール(99.23%)、高い精度(99.67%)、高いFスコア(99.59%)を示す。

関連論文リスト

• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
  本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。 提案手法の性能を2073個のMRI画像で検証する実験を行った。 性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
  論文  参考訳（メタデータ） (2022-06-08T14:29:06Z)
• 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)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
  本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。 BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
  論文  参考訳（メタデータ） (2020-12-12T09:09:04Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。