論文の概要: Hybrid Model using Feature Extraction and Non-linear SVM for Brain Tumor Classification

• arxiv url: http://arxiv.org/abs/2212.02794v1
• Date: Tue, 6 Dec 2022 07:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 17:01:26.925316
• Title: Hybrid Model using Feature Extraction and Non-linear SVM for Brain Tumor Classification
• Title（参考訳）: 脳腫瘍分類のための特徴抽出と非線形svmを用いたハイブリッドモデル
• Authors: Lalita Mishra, Shekhar Verma, Shirshu Varma
• Abstract要約: 本稿では,脳腫瘍の分類にVGGとSVM(Soft and Hard)を併用したハイブリッドモデルを提案する。 VGGモデルは、PyTorch pythonライブラリを介して訓練され、腫瘍分類の最も高い検査精度を得る。 その結果, ハイブリッドVGG-SVMモデル, 特にSVMを用いたVGG 19は, 既存の技術より優れ, 精度が高いことが示唆された。
• 参考スコア（独自算出の注目度）: 3.222802562733787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is essential to classify brain tumors from magnetic resonance imaging (MRI) accurately for better and timely treatment of the patients. In this paper, we propose a hybrid model, using VGG along with Nonlinear-SVM (Soft and Hard) to classify the brain tumors: glioma and pituitary and tumorous and non-tumorous. The VGG-SVM model is trained for two different datasets of two classes; thus, we perform binary classification. The VGG models are trained via the PyTorch python library to obtain the highest testing accuracy of tumor classification. The method is threefold, in the first step, we normalize and resize the images, and the second step consists of feature extraction through variants of the VGG model. The third step classified brain tumors using non-linear SVM (soft and hard). We have obtained 98.18% accuracy for the first dataset and 99.78% for the second dataset using VGG19. The classification accuracies for non-linear SVM are 95.50% and 97.98% with linear and rbf kernel and 97.95% for soft SVM with RBF kernel with D1, and 96.75% and 98.60% with linear and RBF kernel and 98.38% for soft SVM with RBF kernel with D2. Results indicate that the hybrid VGG-SVM model, especially VGG 19 with SVM, is able to outperform existing techniques and achieve high accuracy.
• Abstract（参考訳）: 脳腫瘍をMRI(MRI)から正確に分類し、患者の時間的治療に欠かせない。 本稿では,VGGと非線形SVM(Soft and Hard)を併用して,グリオーマ,下垂体,腫瘍,非腫瘍の脳腫瘍を分類するハイブリッドモデルを提案する。 VGG-SVMモデルは2つのクラスの2つの異なるデータセットに対して訓練される。 VGGモデルは、PyTorch pythonライブラリを介して訓練され、腫瘍分類の最も高い検査精度を得る。 第1ステップでは画像の正規化と再サイズを行い,第2ステップではVGGモデルの変種による特徴抽出を行う。 第3段階は非線形SVM(ソフトとハード)を用いて脳腫瘍を分類した。 VGG19を用いて、第1データセットの98.18%、第2データセットの99.78%の精度を得た。 非線形SVMの分類精度は、線形およびrbfカーネルで95.50%と97.98%、D1のRBFカーネルで97.95%、D2のRBFカーネルで96.75%と98.60%、D2のRBFカーネルで98.38%である。 その結果, ハイブリッドVGG-SVMモデル, 特にSVMを用いたVGG 19は, 既存の技術より優れ, 精度が高いことがわかった。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• COVID-19 Severity Classification on Chest X-ray Images [0.0]
  本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
  論文  参考訳（メタデータ） (2022-05-25T12:01:03Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• A Machine Learning model of the combination of normalized SD1 and SD2 indexes from 24h-Heart Rate Variability as a predictor of myocardial infarction [0.0]
  最も一般的なMLアルゴリズムを10倍のクロスバリデーションの設定と比較した。 本研究の主な知見は, SD1nu + SD2nuの組み合わせは, 他のHRV指標と比較してMIの予測能力が高いことである。
  論文  参考訳（メタデータ） (2021-02-18T14:57:49Z)
• Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images [6.127080932156285]
  COVID-19のゴールドスタンダードはRT-PCRであり、テスト施設は限られており、常に最適に配布されるわけではありません。 データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。 我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
  論文  参考訳（メタデータ） (2021-02-16T06:50:17Z)
• Classification of COVID-19 in Chest CT Images using Convolutional Support Vector Machines [15.50817570408951]
  本研究は、高パフォーマンスのCOVID-19患者を検知するディープラーニングモデルを提案する。 提案手法はCSVM (Convolutional Support Vector Machine) として定義され,CT画像の自動分類を行う。 事前トレーニングされたCNNネットワークとCSVMモデルの性能を評価すると、CSVM (7x7, 3x3, 1x1)モデルは94.03%のACC、96.09%のSEN、92.01%のSPE、92.19%のPre、94.10%のF1スコア、88.15%のMCC、88.07%のKappa測定値で最高のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-11T13:04:38Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。