論文の概要: Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2208.13264v1
• Date: Sun, 28 Aug 2022 18:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 12:54:37.319033
• Title: Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks
• Title（参考訳）: 深層畳み込みニューラルネットワークを用いた脳腫瘍の検出と分類
• Authors: Gopinath Balaji, Ranit Sen, Harsh Kirty
• Abstract要約: 脳の腫瘍はがんなので致命的です。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abnormal development of tissues in the body as a result of swelling and morbid enlargement is known as a tumor. They are mainly classified as Benign and Malignant. Tumour in the brain is fatal as it may be cancerous, so it can feed on healthy cells nearby and keep increasing in size. This may affect the soft tissues, nerve cells, and small blood vessels in the brain. Hence there is a need to detect and classify them during the early stages with utmost precision. There are different sizes and locations of brain tumors which makes it difficult to understand their nature. The process of detection and classification of brain tumors can prove to be an onerous task even with advanced MRI (Magnetic Resonance Imaging) techniques due to the similarities between the healthy cells nearby and the tumor. In this paper, we have used Keras and Tensorflow to implement state-of-the-art Convolutional Neural Network (CNN) architectures, like EfficientNetB0, ResNet50, Xception, MobileNetV2, and VGG16, using Transfer Learning to detect and classify three types of brain tumors namely - Glioma, Meningioma, and Pituitary. The dataset we used consisted of 3264 2-D magnetic resonance images and 4 classes. Due to the small size of the dataset, various data augmentation techniques were used to increase the size of the dataset. Our proposed methodology not only consists of data augmentation, but also various image denoising techniques, skull stripping, cropping, and bias correction. In our proposed work EfficientNetB0 architecture performed the best giving an accuracy of 97.61%. The aim of this paper is to differentiate between normal and abnormal pixels and also classify them with better accuracy.
• Abstract（参考訳）: 腫大とモルビッドの増大による体内組織の異常な発達は腫瘍として知られている。 主に良性および悪性に分類される。 脳内の腫瘍はがんである可能性があるため致命的であり、近くの健康な細胞に餌を与え、サイズを拡大し続けることができる。 これは脳の軟部組織、神経細胞、小血管に影響を及ぼす可能性がある。 したがって、最も正確で初期の段階でそれらを検出・分類する必要がある。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 脳腫瘍の検出と分類のプロセスは、近傍の健康な細胞と腫瘍との類似性から、高度なMRI(Magnetic Resonance Imaging)技術でさえも、厄介な作業であることが証明できる。 本稿では、KerasとTensorflowを用いて、EfficientNetB0、ResNet50、Xception、MobileNetV2、VGG16のような最先端の畳み込みニューラルネットワーク(CNN)アーキテクチャを実装し、Transfer Learningを使用して、Glioma、Meningioma、Pituitaryという3種類の脳腫瘍を検出し分類した。 得られたデータセットは3264個の2次元磁気共鳴画像と4つのクラスから構成された。 データセットのサイズが小さいため、データセットのサイズを増やすためにさまざまなデータ拡張技術が使用された。 提案手法は,データ拡張だけでなく,様々な画像復調技術,頭蓋切削,収穫,偏差補正などで構成されている。 提案手法である efficientnetb0 アーキテクチャの精度は 97.61% であった。 本研究の目的は,通常の画素と異常画素を区別し,精度良く分類することである。

関連論文リスト

• Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy [0.0]
  我々は,MSVDアルゴリズムを用いて画像ノイズを低減し,深部ニューラルネットワークを用いて画像中の腫瘍を分割した。 提案手法の精度は元の画像と比較すると2.4%向上した。
  論文  参考訳（メタデータ） (2024-01-04T20:57:25Z)
• Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
  脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。 MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。 CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。 本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。 以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-15T12:26:24Z)
• Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI [0.5235143203977018]
  脳腫瘍の診断は、コンピュータ支援診断の分野によって大幅に速められている。 本研究では,脳腫瘍を4種類の転移学習法を用いて分類した。 われわれのモデルは、脳がんの3つの異なる形態を表す3064ドルのMRI画像のベンチマークデータセットでテストされた。
  論文  参考訳（メタデータ） (2023-09-24T03:46:38Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• 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)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。