論文の概要: Reduced Deep Convolutional Activation Features (R-DeCAF) in
Histopathology Images to Improve the Classification Performance for Breast
Cancer Diagnosis
- arxiv url: http://arxiv.org/abs/2301.01931v1
- Date: Thu, 5 Jan 2023 06:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 13:23:36.844360
- Title: Reduced Deep Convolutional Activation Features (R-DeCAF) in
Histopathology Images to Improve the Classification Performance for Breast
Cancer Diagnosis
- Title（参考訳）: 病理組織像における深部畳み込み活性化能(R-DeCAF)の低下と乳癌診断の分類性能の改善
- Authors: Bahareh Morovati, Reza Lashgari, Mojtaba Hajihasani and Hasti Shabani
- Abstract要約: 乳がんは世界で2番目に多いがんである。
ディープ畳み込みニューラルネットワーク(CNN)は効果的なソリューションである。
事前訓練したCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
- 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: Breast cancer is the second most common cancer among women worldwide.
Diagnosis of breast cancer by the pathologists is a time-consuming procedure
and subjective. Computer aided diagnosis frameworks are utilized to relieve
pathologist workload by classifying the data automatically, in which deep
convolutional neural networks (CNNs) are effective solutions. The features
extracted from activation layer of pre-trained CNNs are called deep
convolutional activation features (DeCAF). In this paper, we have analyzed that
all DeCAF features are not necessarily led to a higher accuracy in the
classification task and dimension reduction plays an important role. Therefore,
different dimension reduction methods are applied to achieve an effective
combination of features by capturing the essence of DeCAF features. To this
purpose, we have proposed reduced deep convolutional activation features
(R-DeCAF). In this framework, pre-trained CNNs such as AlexNet, VGG-16 and
VGG-19 are utilized in transfer learning mode as feature extractors. DeCAF
features are extracted from the first fully connected layer of the mentioned
CNNs and support vector machine has been used for binary classification. Among
linear and nonlinear dimensionality reduction algorithms, linear approaches
such as principal component analysis (PCA) represent a better combination among
deep features and lead to a higher accuracy in the classification task using
small number of features considering specific amount of cumulative explained
variance (CEV) of features. The proposed method is validated using experimental
BreakHis dataset. Comprehensive results show improvement in the classification
accuracy up to 4.3% with less computational time. Best achieved accuracy is
91.13% for 400x data with feature vector size (FVS) of 23 and CEV equals to
0.15 using pre-trained AlexNet as feature extractor and PCA as feature
reduction algorithm.
- Abstract（参考訳）: 乳がんは世界で2番目に多いがんである。
病理医による乳癌の診断は、時間を要する手順であり、主観的である。
深層畳み込みニューラルネットワーク(cnns)が有効な解であるデータを自動的に分類することにより、病理学者の作業負荷を軽減するためにコンピュータ支援診断フレームワークを利用する。
事前訓練されたCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
本稿では,全てのDeCAF特徴が必ずしも分類タスクにおいて高い精度に導かれず,次元減少が重要な役割を担っていることを解析した。
そこで,DeCAFの特徴を捉えることで特徴の効果的な組み合わせを実現するために,異なる次元還元法を適用した。
この目的のために,我々は深層畳み込み活性化機能(r-decaf)の削減を提案する。
このフレームワークでは、alexnet、vgg-16、vgg-19などの事前学習されたcnnを特徴抽出として転送学習モードで活用する。
上記のCNNの最初の完全連結層からDeCAFの特徴を抽出し、サポートベクトルマシンをバイナリ分類に使用した。
線形および非線形次元減少アルゴリズムのうち、主成分分析(PCA)のような線形アプローチは、深い特徴の間により良い組み合わせを示し、特徴の特定の累積説明分散(CEV)量を考慮した少数の特徴を用いた分類タスクにおいて高い精度をもたらす。
提案手法は実験的なBreakHisデータセットを用いて検証する。
総合的な結果は, 計算時間が少なく, 分類精度が最大4.3%向上したことを示している。
最高の精度は、特徴ベクトルサイズ(FVS)23の400xデータに対して91.13%、CEVは、事前訓練されたAlexNetを特徴抽出器として、PCAを特徴還元アルゴリズムとして、0.15に等しい。
関連論文リスト
- Optimized Machine Learning for CHD Detection using 3D CNN-based
Segmentation, Transfer Learning and Adagrad Optimization [0.0]
冠動脈疾患(Corronary Heart Disease,CHD)は、死因の一つ。
本稿では,機械学習と画像処理を組み合わせることで,CHDの存在を予測する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-30T06:55:20Z) - Deep reproductive feature generation framework for the diagnosis of
COVID-19 and viral pneumonia using chest X-ray images [0.0]
最先端の8つの深層畳み込みニューラルネットワーク(CNN)とオートエンコーダを用いた2段階特徴抽出フレームワークを提案する。
X線スキャンは4つの同じ大きさのセクションに分けられ、深層学習CNNによって分析される。
隠れた3つの層を持つオートエンコーダは、CNNの出力から生殖機能を抽出するために訓練される。
論文 参考訳（メタデータ） (2023-04-20T23:52:21Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - 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) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - 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)
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。