論文の概要: Deep Learning for Size and Microscope Feature Extraction and
Classification in Oral Cancer: Enhanced Convolution Neural Network
- arxiv url: http://arxiv.org/abs/2208.07855v1
- Date: Sat, 6 Aug 2022 08:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:23:21.746589
- Title: Deep Learning for Size and Microscope Feature Extraction and
Classification in Oral Cancer: Enhanced Convolution Neural Network
- Title（参考訳）: 口腔癌におけるサイズと顕微鏡の特徴抽出と分類のための深層学習:畳み込みニューラルネットワークの強化
- Authors: Prakrit Joshi, Omar Hisham Alsadoon, Abeer Alsadoon, Nada AlSallami,
Tarik A. Rashid, P.W.C. Prasad, Sami Haddad
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 30.343802446139186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Aim: Over-fitting issue has been the reason behind deep
learning technology not being successfully implemented in oral cancer images
classification. The aims of this research were reducing overfitting for
accurately producing the required dimension reduction feature map through Deep
Learning algorithm using Convolutional Neural Network. Methodology: The
proposed system consists of Enhanced Convolutional Neural Network that uses an
autoencoder technique to increase the efficiency of the feature extraction
process and compresses information. In this technique, unpooling and
deconvolution is done to generate the input data to minimize the difference
between input and output data. Moreover, it extracts characteristic features
from the input data set to regenerate input data from those features by
learning a network to reduce overfitting. Results: Different accuracy and
processing time value is achieved while using different sample image group of
Confocal Laser Endomicroscopy (CLE) images. The results showed that the
proposed solution is better than the current system. Moreover, the proposed
system has improved the classification accuracy by 5~ 5.5% on average and
reduced the average processing time by 20 ~ 30 milliseconds. Conclusion: The
proposed system focuses on the accurate classification of oral cancer cells of
different anatomical locations from the CLE images. Finally, this study
enhances the accuracy and processing time using the autoencoder method that
solves the overfitting problem.
- Abstract（参考訳）: 背景と目的: 過度に適合する問題は、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。
本研究の目的は,畳み込みニューラルネットワークを用いたDeep Learningアルゴリズムを用いて,必要な次元削減特徴マップを正確に作成するためのオーバーフィッティングの削減である。
方法論:提案システムは,自動エンコーダ技術を用いて特徴抽出の効率を高め,情報を圧縮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。
この手法では、入力データを生成するためにアンプールとデコンボリューションを行い、入力データと出力データの差を最小限に抑える。
さらに、入力データセットから特徴特徴を抽出し、それらの特徴から入力データを再生し、ネットワークを学習して過度な適合を低減する。
結果: 共焦点レーザー内視鏡(CLE)画像の異なるサンプル画像群を用いて, 精度の異なる処理時間値が得られた。
その結果,提案手法は現在のシステムよりも優れていることがわかった。
さらに,本システムでは,分類精度を5～5.5%向上し,平均処理時間を20～30ミリ秒短縮した。
結論:本システムでは,CLE画像から異なる解剖学的位置の口腔癌細胞の正確な分類に焦点を当てた。
最後に, オーバーフィッティング問題を解決するオートエンコーダ法を用いて, 精度と処理時間を向上させる。
関連論文リスト
- Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。
実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文 参考訳（メタデータ） (2024-04-14T12:09:47Z) - Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。
実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-23T14:18:39Z) - Deep Learning Neural Network for Lung Cancer Classification: Enhanced
Optimization Function [28.201018420730332]
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。
論文 参考訳（メタデータ） (2022-08-05T18:41:17Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A Novel Solution of an Elastic Net Regularization for Dementia Knowledge
Discovery using Deep Learning [10.839925851203786]
本稿では,Deep Learning Architecture による分類の精度の向上と処理時間を短縮することを目的とする。
提案システムは,分類と予測の精度を高めるために,畳み込みニューラルネットワーク(CNN)で構成されている。
さらに,提案手法は,平均で5%の分類精度を向上し,平均で3040秒の処理時間を短縮した。
論文 参考訳（メタデータ） (2021-08-21T11:53:25Z) - 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) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - COVID-CLNet: COVID-19 Detection with Compressive Deep Learning
Approaches [0.0]
本稿ではCTスキャン画像を用いたコンピュータ支援検出システムを提案する。
この強化されたディープラーニングネットワーク(CLNet)は、ディープラーニング(DL)ネットワークの実装に基づいている。
異なる圧縮方法で行われた実験は、新型コロナウイルス検出の有望な結果を示している。
論文 参考訳（メタデータ） (2020-12-03T19:56:48Z) - 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)
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。