論文の概要: Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning:
A comparative review
- arxiv url: http://arxiv.org/abs/2210.11943v1
- Date: Wed, 19 Oct 2022 19:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 14:17:03.580096
- Title: Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning:
A comparative review
- Title（参考訳）: 機械学習とディープラーニングによるコンピュータ支援癌診断 : 比較検討
- Authors: Solene Bechelli
- Abstract要約: 腫瘍や組織を早期に検出する上で,大幅な改善が見られた。
画像における大きな相違点に関連するがん研究の課題について論じる。
肺・乳癌・皮膚がんの分野では,いくつかの顕著な結果が得られている。
- 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 past years have seen a considerable increase in cancer cases. However, a
cancer diagnosis is often complex and depends on the types of images provided
for analysis. It requires highly skilled practitioners but is often
time-consuming and error-prone. If Machine Learning and deep learning
algorithms have been widely used, a comprehensive review of the techniques used
from the pre-processing steps to the final prediction is lacking. With this
review, we aim to provide a comprehensive overview of the current steps
required in building efficient and accurate machine learning algorithm for
cancer prediction, detection and classification. To do so, we compile the
results of cancer related study using AI over the past years. We include
various cancers that encompass different types of images, and therefore
different related techniques. We show that tremendous improvements have been
made in the early detection of cancerous tumors and tissues. The techniques
used are various and often problem-tailored and our findings is confirmed
through the study of a large number of research. Moreover, we investigate the
approaches best suited for different types of images such as histology,
dermoscopic, MRI, etc. With this work, we summarize the main finding over the
past years in cancer detection using deep learning techniques. We discuss the
challenges of cancer research related to the large discrepancies in the images,
and we provide some notable results in the field for lung, breast, and skin
cancers.
- Abstract（参考訳）: 過去数年間、がんの症例は大幅に増加している。
しかし、がんの診断はしばしば複雑であり、分析のために提供される画像の種類に依存する。
高度に熟練した実践者を必要とするが、しばしば時間がかかり、エラーを起こしやすい。
機械学習とディープラーニングのアルゴリズムが広く使われている場合、前処理ステップから最終的な予測までのテクニックの包括的なレビューが欠如している。
本稿では,癌予測,検出,分類のための効率的かつ高精度な機械学習アルゴリズムの構築に必要な現在のステップの包括的概要について述べる。
そこで我々は,過去数年間にAIを用いたがん関連研究の結果をまとめた。
我々は様々な種類の画像を含む様々ながんを含み、そのため異なる関連技術を含んでいる。
癌性腫瘍や組織を早期に発見するにあたり,大きな改善がみられた。
使用する手法は多種多様であり, しばしば問題視され, 多数の研究により検証された。
また, 組織像, 皮膚内視鏡像, MRI像など, 様々な画像に最適なアプローチについて検討した。
本稿では,過去数年間のがん検出における主な発見を,ディープラーニング技術を用いて要約する。
画像の相違が大きいため,がん研究の課題について議論し,肺,乳がん,皮膚がんの分野において注目すべき結果を提供する。
関連論文リスト
- Are nuclear masks all you need for improved out-of-domain generalisation? A closer look at cancer classification in histopathology [49.518701946822446]
我々は,核形態学と組織に着目して,癌検出のためのOODの一般化を改善するための簡単なアプローチを提案する。
本手法では,核分割マスクを原画像と統合し,核の優先順位付けを奨励する。
複数のデータセットを用いて,OODの一般化が向上し,画像の破損や敵攻撃に対するロバスト性も向上することを示す。
論文 参考訳（メタデータ） (2024-11-14T11:27:15Z) - Cancer Cell Classification using Deep Learning [0.0]
悪性腫瘍には良性腫瘍と悪性腫瘍の2種類がある。
今日のオンライン環境で生産されるデータのほとんどは、医療やソーシャルメディアに関連するウェブサイトから来ている。
本研究は, 細菌細胞を種々の深層学習アルゴリズムを用いて良性又は癌性に分類する。
論文 参考訳（メタデータ） (2024-10-21T21:21:16Z) - Survey on deep learning in multimodal medical imaging for cancer
detection [15.304299929182486]
マルチモーダルがん検出は、がん診断の鍵となる研究手法の1つである。
深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。
病変の形態的相違、患者間変異、アノテーションの難しさ、画像アーティファクトが原因で、マルチモーダルがんの検出は依然として困難である。
論文 参考訳（メタデータ） (2023-12-04T02:07:47Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - AI-based Carcinoma Detection and Classification Using Histopathological
Images: A Systematic Review [8.355946670746413]
癌の亜型であり、全がん症例の80%以上を占める。
多くの研究者が癌の検出と分類を自動化する方法を報告している。
癌診断の自動化における人工知能の利用の増加は、ディープ・ネットワーク・モデルの使用の著しい増加を示している。
論文 参考訳（メタデータ） (2022-01-18T12:03:09Z) - 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) - Predicting invasive ductal carcinoma using a Reinforcement Sample
Learning Strategy using Deep Learning [0.951828574518325]
浸潤性管癌の死因は女性で2番目に多い。
特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。
本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-26T14:14:45Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Review on Computer Vision in Gastric Cancer: Potential Efficient Tools
for Diagnosis [0.0]
本総説は,胃癌に対するコンピュータビジョンの進歩に焦点を当てたものである。
データ生成と拡張の異なる方法が提示される。
より正確な診断とタイムリーな治療を支援するため,分類・分節技術について論じる。
論文 参考訳（メタデータ） (2020-05-17T16:14:15Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。