論文の概要: Classification of Breast Tumours Based on Histopathology Images Using
Deep Features and Ensemble of Gradient Boosting Methods
- arxiv url: http://arxiv.org/abs/2209.01380v1
- Date: Sat, 3 Sep 2022 09:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 14:57:27.355758
- Title: Classification of Breast Tumours Based on Histopathology Images Using
Deep Features and Ensemble of Gradient Boosting Methods
- Title(参考訳): 深部特徴を用いた病理組織像に基づく乳腺腫瘍の分類と勾配強調法の検討
- Authors: Mohammad Reza Abbasniya, Sayed Ali Sheikholeslamzadeh, Hamid Nasiri,
Samaneh Emami
- Abstract要約: 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。
- 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 the most common cancer among women worldwide. Early-stage
diagnosis of breast cancer can significantly improve the efficiency of
treatment. Computer-aided diagnosis (CAD) systems are widely adopted in this
issue due to their reliability, accuracy and affordability. There are different
imaging techniques for a breast cancer diagnosis; one of the most accurate ones
is histopathology which is used in this paper. Deep feature transfer learning
is used as the main idea of the proposed CAD system's feature extractor.
Although 16 different pre-trained networks have been tested in this study, our
main focus is on the classification phase. The Inception-ResNet-v2 which has
both residual and inception networks profits together has shown the best
feature extraction capability in the case of breast cancer histopathology
images among all tested CNNs. In the classification phase, the ensemble of
CatBoost, XGBoost and LightGBM has provided the best average accuracy. The
BreakHis dataset was used to evaluate the proposed method. BreakHis contains
7909 histopathology images (2,480 benign and 5,429 malignant) in four
magnification factors. The proposed method's accuracy (IRv2-CXL) using 70% of
BreakHis dataset as training data in 40x, 100x, 200x and 400x magnification is
96.82%, 95.84%, 97.01% and 96.15%, respectively. Most studies on automated
breast cancer detection have focused on feature extraction, which made us
attend to the classification phase. IRv2-CXL has shown better or comparable
results in all magnifications due to using the soft voting ensemble method
which could combine the advantages of CatBoost, XGBoost and LightGBM together.
- Abstract(参考訳): 乳がんは世界中で最も一般的ながんである。
乳がんの早期診断は、治療の効率を大幅に改善することができる。
コンピュータ支援診断システム(CAD)は,信頼性,精度,手頃さから広く採用されている。
乳がんの診断には様々な画像診断法があるが,最も正確な症例の1つは病理組織学である。
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。
本研究では16種類の事前学習ネットワークがテストされているが,本研究の主な焦点は分類段階である。
inception-resnet-v2は残差ネットワークとインセプションネットワークの両方で利益を上げており、全てのテストcnnにおいて乳癌病理像において最良の特徴抽出能力を示している。
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。
breakhisデータセットは提案手法の評価に用いられた。
breakhisは7909個の病理組織像(良性2,480個、悪性5,429個)を4つの拡大因子に含む。
提案手法の精度(IRv2-CXL)は,BreakHisデータセットの70%を40x,100x,200x,400x倍率は96.82%,95.84%,97.01%,96.15%である。
乳がん自動検出のほとんどの研究は特徴抽出に焦点を合わせており、分類段階にたどり着いた。
IRv2-CXLは、CatBoost、XGBoost、LightGBMの利点を組み合わせられるソフト投票アンサンブル法を用いることで、全ての倍率でより良い結果または同等の結果を示した。
関連論文リスト
- Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。
本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
論文 参考訳(メタデータ) (2024-03-14T16:35:43Z) - CEIMVEN: An Approach of Cutting Edge Implementation of Modified Versions
of EfficientNet (V1-V2) Architecture for Breast Cancer Detection and
Classification from Ultrasound Images [0.0]
乳がんは女性の死亡数の最大の原因となっている。
本研究では,EfficientNet の最先端版の改良版に対する厳密な実装と反復的な結果分析に焦点をあてた。
我々のディープラーニングモデルトレーニングアプローチは、関心領域(ROI)技術と複数の分類(良性、悪性、正常)によるがん患領域の同定に関連していた。
論文 参考訳(メタデータ) (2023-08-25T13:05:06Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。
実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
論文 参考訳(メタデータ) (2023-02-22T03:02:52Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳(メタデータ) (2022-09-20T15:57:12Z) - Breast Cancer Classification Based on Histopathological Images Using a
Deep Learning Capsule Network [0.0]
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。
論文 参考訳(メタデータ) (2022-08-01T03:45:36Z) - 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) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - 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) - Comparison of different CNNs for breast tumor classification from
ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。
乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。
最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文 参考訳(メタデータ) (2020-12-28T22:54:08Z)
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。