論文の概要: Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2208.00768v1
- Date: Wed, 27 Jul 2022 02:56:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:22:08.066308
- Title: Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional
Neural Networks
- Title(参考訳): 学習前畳み込みニューラルネットワークによる脳腫瘍の診断と分類
- Authors: Dmytro Filatov, Ghulam Nabi Ahmad Hassan Yar
- Abstract要約: 本稿では、診断プロセスから手作業のプロセスを取り除き、代わりに機械学習を使用する。
脳腫瘍の診断・分類にCNN(Pretrained Convolutional Neural Network)を用いた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The brain tumor is the most aggressive kind of tumor and can cause low life
expectancy if diagnosed at the later stages. Manual identification of brain
tumors is tedious and prone to errors. Misdiagnosis can lead to false treatment
and thus reduce the chances of survival for the patient. Medical resonance
imaging (MRI) is the conventional method used to diagnose brain tumors and
their types. This paper attempts to eliminate the manual process from the
diagnosis process and use machine learning instead. We proposed the use of
pretrained convolutional neural networks (CNN) for the diagnosis and
classification of brain tumors. Three types of tumors were classified with one
class of non-tumor MRI images. Networks that has been used are ResNet50,
EfficientNetB1, EfficientNetB7, EfficientNetV2B1. EfficientNet has shown
promising results due to its scalable nature. EfficientNetB1 showed the best
results with training and validation accuracy of 87.67% and 89.55%,
respectively.
- Abstract(参考訳): 脳腫瘍は最も攻撃的な腫瘍であり、後期に診断された場合、平均寿命は低い。
脳腫瘍の手動診断は退屈で、エラーを起こしやすい。
誤診は誤診を招き、患者の生存率を低下させる可能性がある。
医用共鳴画像(MR)は、脳腫瘍とそのタイプを診断するための従来の方法である。
本稿では,手動のプロセスを診断プロセスから排除し,代わりに機械学習を使用する。
脳腫瘍の診断と分類にcnn(pretrained convolutional neural networks)を用いた。
3種類の腫瘍を1種類の非腫瘍MRI画像に分類した。
使われているネットワークは、ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1である。
EfficientNetはそのスケーラブルな性質のために有望な結果を示している。
efficientnetb1は87.67%と89.55%のトレーニングと検証精度で最高の結果を示した。
関連論文リスト
- 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) - Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection [0.0]
本研究では、畳み込みニューラルネットワーク(CNN)と極勾配増強(XGBoost)を組み合わせた脳腫瘍早期検出モデルを提案する。
C-XGBoostという名前のモデルでは、純粋にCNNよりもモデルの複雑さが低く、トレーニングが容易で、過度に適合する傾向が低い。
また、実際の医用画像分類タスクにおいて一般的な問題である、不均衡データや非構造データを扱うことも可能である。
論文 参考訳(メタデータ) (2023-01-05T22:25:28Z) - A deep learning approach for brain tumor detection using magnetic
resonance imaging [0.0]
脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。
MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。
提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
論文 参考訳(メタデータ) (2022-10-25T10:13:29Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - 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) - 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) - 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) - QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。
私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
論文 参考訳(メタデータ) (2020-12-22T23:16:43Z) - Assistive Diagnostic Tool for Brain Tumor Detection using Computer
Vision [0.0]
このプロジェクトの目的は、脳腫瘍の検出とセグメンテーションのための補助診断ツールを作ることである。
モデルは20のエポックで訓練され、後にテストされた。予測セグメンテーションは、基礎的な真実と90%一致した。
医師は、患者の脳腫瘍のMRI画像をアップロードして、各患者の診断とセグメンテーションの即時結果を受け取ることができる。
論文 参考訳(メタデータ) (2020-11-17T04:58:33Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳(メタデータ) (2020-10-30T14:36:10Z)
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。