論文の概要: Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection
- arxiv url: http://arxiv.org/abs/2301.02317v1
- Date: Thu, 5 Jan 2023 22:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 23:58:14.900023
- Title: Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection
- Title（参考訳）: 脳腫瘍検出のための畳み込みXGBoost(C-XGBOOST)モデル
- Authors: Muyiwa Babayomi, Oluwatosin Atinuke Olagbaju, Abdulrasheed Adedolapo
Kadiri
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain tumors are masses or abnormal growths of cells within the brain or the
central spinal canal with symptoms such as headaches, seizures, weakness or
numbness in the arms or legs, changes in personality or behaviour, nausea,
vomiting, vision or hearing problems and dizziness. Conventional diagnosis of
brain tumour involves some tests and procedure which may include the
consideration of medical history, physical examination, imaging tests (such as
CT or MRI scans), and biopsy (removal and examination of a small piece of the
tumor tissue). These procedures, while effective, are mentally strenuous and
time demanding due to the manual examination of the brain scans and the
thorough evaluation of test results. It has been established in lots of medical
research that brain tumours diagnosed and treated early generally tends to have
a better prognosis. Deep learning techniques have evolved over the years and
have demonstrated impressive and faster outcomes in the classification of brain
tumours in medical imaging, with very little to no human interference. This
study proposes a model for the early detection of brain tumours using a
combination of convolutional neural networks (CNNs) and extreme gradient
boosting (XGBoost). The proposed model, named C-XGBoost has a lower model
complexity compared to purely CNNs, making it easier to train and less prone to
overfitting. It is also better able to handle imbalanced and unstructured data,
which are common issues in real-world medical image classification tasks. To
evaluate the effectiveness of the proposed model, we employed a dataset of
brain MRI images with and without tumours.
- Abstract（参考訳）: 脳腫瘍は、頭痛、発作、腕や脚の弱さ、性格や行動の変化、吐き気、吐き気、視力、聴覚障害、めまいなどの症状を伴う、脳または中枢脊髄内の細胞の塊または異常な成長である。
従来の脳腫瘍の診断には、医療史、身体検査、画像検査(CTやMRIなどの画像検査)、生検(腫瘍組織の小さな部分の除去と検査)など、いくつかの検査と手順が含まれる。
これらの手順は効果はあるものの、脳スキャンの手動検査と検査結果の徹底的な評価により、精神的に厳しい時間を要する。
脳腫瘍の診断と早期治療は一般的に予後が良い傾向があるという多くの医学研究で確立されている。
深層学習技術は長年にわたって進化し、医療画像における脳腫瘍の分類における印象的かつ高速な結果を示している。
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の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、現実世界の医用画像分類タスクでよく見られる問題である、不均衡と非構造化のデータを扱うことができる。
提案モデルの有効性を評価するため,腫瘍の有無にかかわらず脳MRI画像のデータセットを用いた。
関連論文リスト
- Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection [0.23301643766310373]
脳MRIは、腫瘍の存在や欠如を明らかにするのに不正確であることが知られている。
本研究では,腫瘍の存在を特定するために,畳み込みニューラルネットワーク(CNN)を訓練した。
CNNモデルの結果、99.17%の精度を示した。
論文 参考訳（メタデータ） (2024-10-30T00:47:32Z) - Machine learning approach to brain tumor detection and classification [11.108853789803597]
脳MRI画像を用いて脳腫瘍を検出し分類するために,様々な統計的および機械学習モデルを適用した。
以上の結果から,CNNは他のモデルよりも優れており,最高の性能を実現していることがわかった。
本研究では、機械学習アプローチが脳腫瘍の検出と分類に適していることを示し、現実の医療応用を促進する。
論文 参考訳（メタデータ） (2024-10-16T15:52:32Z) - 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) - Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。
医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。
本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文 参考訳（メタデータ） (2024-07-15T11:30:40Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - 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) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of
Human Brain WholeTumor Segmentation [2.869946954477617]
医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。
脳腫瘍は早期に検出された場合、悪性または良性であることが多い。
本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T23:44:16Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。