論文の概要: Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function

• arxiv url: http://arxiv.org/abs/2208.06353v1
• Date: Fri, 5 Aug 2022 18:41:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-28 22:15:11.781410
• Title: Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function
• Title（参考訳）: 肺癌分類のためのディープラーニングニューラルネットワーク--最適化機能強化
• Authors: Bhoj Raj Pandit, Abeer Alsadoon, P.W.C. Prasad, Sarmad Al Aloussi, Tarik A. Rashid, Omar Hisham Alsadoon, Oday D. Jerew
• Abstract要約: 本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
• 参考スコア（独自算出の注目度）: 28.201018420730332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and Purpose: Convolutional neural network is widely used for image recognition in the medical area at nowadays. However, overall accuracy in predicting lung tumor is low and the processing time is high as the error occurred while reconstructing the CT image. The aim of this work is to increase the overall prediction accuracy along with reducing processing time by using multispace image in pooling layer of convolution neural network. Methodology: The proposed method has the autoencoder system to improve the overall accuracy, and to predict lung cancer by using multispace image in pooling layer of convolution neural network and Adam Algorithm for optimization. First, the CT images were pre-processed by feeding image to the convolution filter and down sampled by using max pooling. Then, features are extracted using the autoencoder model based on convolutional neural network and multispace image reconstruction technique is used to reduce error while reconstructing the image which then results improved accuracy to predict lung nodule. Finally, the reconstructed images are taken as input for SoftMax classifier to classify the CT images. Results: The state-of-art and proposed solutions were processed in Python Tensor Flow and It provides significant increase in accuracy in classification of lung cancer to 99.5 from 98.9 and decrease in processing time from 10 frames/second to 12 seconds/second. Conclusion: The proposed solution provides high classification accuracy along with less processing time compared to the state of art. For future research, large dataset can be implemented, and low pixel image can be processed to evaluate the classification
• Abstract（参考訳）: 背景と目的:畳み込みニューラルネットワークは現在,医療分野における画像認識に広く利用されている。 しかし,CT画像の再構成中にエラーが発生したため,肺腫瘍予測の全体的な精度は低く,処理時間も高い。 本研究の目的は,畳み込みニューラルネットワークのプーリング層におけるマルチスペース画像を用いて,全体の予測精度の向上と処理時間を短縮することである。 方法:提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像と最適化のためのAdam Algorithmを用いて,全精度向上のためのオートエンコーダシステムを備え,肺がんの予測を行う。 まず,ct画像は畳み込みフィルタに画像を送り込んで前処理し,マックスプーリングを用いて試料をサンプリングした。 次に、畳み込みニューラルネットワークに基づくオートエンコーダモデルを用いて特徴を抽出し、画像再構成中の誤差を低減するために多空間画像再構成技術を用いて、精度の向上と肺結節の予測を行う。 最後に、再構成された画像をSoftMax分類器の入力として、CT画像の分類を行う。 結果: 最先端および提案されたソリューションはPython Tensor Flowで処理され, 肺癌の分類の精度は98.9から99.5に, 処理時間は10フレーム/秒から12秒/秒に大幅に向上した。 結論: 提案手法は, 技術状況と比較して処理時間が少なく, 高い分類精度を提供する。 将来の研究のために、大規模なデータセットを実装でき、低ピクセル画像を処理して分類を評価することができる。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Full-resolution Lung Nodule Segmentation from Chest X-ray Images using Residual Encoder-Decoder Networks [21.724154440093216]
  肺癌はがん死の主要な原因であり、早期診断は陽性の予後と関連している。 コンピュータビジョンは、これまで人間の放射線学者を支援するために提案されてきた。 本研究では,効率的なエンコーダデコーダニューラルネットワークを用いた肺結節の局在解析を行った。
  論文  参考訳（メタデータ） (2023-07-13T04:05:39Z)
• Deep Learning for Size and Microscope Feature Extraction and Classification in Oral Cancer: Enhanced Convolution Neural Network [30.343802446139186]
  オーバーフィッティング問題は、深層学習技術が口腔癌の画像分類でうまく実装されていない理由である。 提案システムは,オートエンコーダ技術を用いて特徴抽出プロセスの効率を向上する拡張畳み込みニューラルネットワークで構成されている。
  論文  参考訳（メタデータ） (2022-08-06T08:26:45Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Deep Learning for Breast Cancer Classification: Enhanced Tangent Function [27.761266391596262]
  近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。 提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
  論文  参考訳（メタデータ） (2021-07-01T08:36:27Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
  The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。 そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-10T15:18:56Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Accurate Tumor Tissue Region Detection with Accelerated Deep Convolutional Neural Networks [12.7414209590152]
  がん診断のための手動の病理診断は、退屈で反復的である。 我々のアプローチであるFLASHは、ディープ畳み込みニューラルネットワーク(DCNN)アーキテクチャに基づいている。 計算コストを削減し、一般的なディープラーニングアプローチよりも2桁の速さで高速である。
  論文  参考訳（メタデータ） (2020-04-18T08:24:27Z)

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。