Fugu-MT 論文翻訳(概要): Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

論文の概要: Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

arxiv url: http://arxiv.org/abs/2208.00594v1
Date: Mon, 1 Aug 2022 03:45:36 GMT
ステータス: 処理完了
システム内更新日: 2022-08-02 14:33:42.440378
Title: Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network
Title（参考訳）: 深層学習カプセルネットワークを用いた病理組織像に基づく乳癌の分類
Authors: Hayder A. Khikani, Naira Elazab, Ahmed Elgarayhi, Mohammed Elmogy, Mohammed Sallah
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast cancer is one of the most serious types of cancer that can occur in women. The automatic diagnosis of breast cancer by analyzing histological images (HIs) is important for patients and their prognosis. The classification of HIs provides clinicians with an accurate understanding of diseases and allows them to treat patients more efficiently. Deep learning (DL) approaches have been successfully employed in a variety of fields, particularly medical imaging, due to their capacity to extract features automatically. This study aims to classify different types of breast cancer using HIs. In this research, we present an enhanced capsule network that extracts multi-scale features using the Res2Net block and four additional convolutional layers. Furthermore, the proposed method has fewer parameters due to using small convolutional kernels and the Res2Net block. As a result, the new method outperforms the old ones since it automatically learns the best possible features. The testing results show that the model outperformed the previous DL methods.
Abstract（参考訳）: 乳がんは女性に発生する最も深刻ながんの1つである。病理組織像(HIs)解析による乳癌の自動診断は,患者とその予後にとって重要である。 HIsの分類は、臨床医に病気の正確な理解を与え、患者をより効率的に治療することを可能にする。深層学習(DL)アプローチは、様々な分野、特に医療画像において、自動的に特徴を抽出する能力のために、うまく採用されている。本研究の目的は, HIsを用いた乳癌の分類である。本研究では,res2netブロックと4層の追加畳み込み層を用いて,マルチスケールな特徴を抽出する拡張カプセルネットワークを提案する。さらに,小さな畳み込みカーネルとres2netブロックを使用するため,提案手法ではパラメータが小さくなる。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。実験の結果, 従来のDL法よりも優れた性能を示した。

関連論文リスト

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)
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)
Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文参考訳（メタデータ） (2022-09-03T09:27:00Z)
HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images [20.00255523765042]
本稿では,乳がん診断のための新しいROIフリーモデルを提案する。悪性腫瘍と良性腫瘍は異なる組織層間の空間的関係が異なるという解剖学的先行知識を活用する。提案したHoVer-Transブロックは,水平および垂直に層間および層間空間情報を抽出する。
論文参考訳（メタデータ） (2022-05-17T14:11:07Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning [0.951828574518325]
浸潤性管癌の死因は女性で2番目に多い。特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-26T14:14:45Z)
DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文参考訳（メタデータ） (2021-01-24T03:30:59Z)
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)
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。