Fugu-MT 論文翻訳(概要): LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model

論文の概要: LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model

arxiv url: http://arxiv.org/abs/2304.04814v1
Date: Mon, 10 Apr 2023 18:47:20 GMT
ステータス: 処理完了
システム内更新日: 2023-04-12 17:03:38.678818
Title: LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model
Title（参考訳）: LCDctCNN:CNNモデルを用いたCTスキャン画像の肺がん診断
Authors: Muntasir Mamun, Md Ishtyaq Mahmud, Mahabuba Meherin, and Ahmed Abdelgawad
Abstract要約: 我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328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: The most deadly and life-threatening disease in the world is lung cancer. Though early diagnosis and accurate treatment are necessary for lowering the lung cancer mortality rate. A computerized tomography (CT) scan-based image is one of the most effective imaging techniques for lung cancer detection using deep learning models. In this article, we proposed a deep learning model-based Convolutional Neural Network (CNN) framework for the early detection of lung cancer using CT scan images. We also have analyzed other models for instance Inception V3, Xception, and ResNet-50 models to compare with our proposed model. We compared our models with each other considering the metrics of accuracy, Area Under Curve (AUC), recall, and loss. After evaluating the model's performance, we observed that CNN outperformed other models and has been shown to be promising compared to traditional methods. It achieved an accuracy of 92%, AUC of 98.21%, recall of 91.72%, and loss of 0.328.
Abstract（参考訳）: 世界で最も致命的かつ生命を脅かす病気は肺がんである。早期診断と正確な治療は肺癌の死亡率を下げるために必要である。コンピュータトモグラフィー(CT)スキャン画像は、ディープラーニングモデルを用いた肺がん検出に最も有効な画像技術の一つである。本稿では,CTスキャン画像を用いた肺癌早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワーク(CNN)フレームワークを提案する。また、inception v3、xception、resnet-50といった他のモデルも分析して、提案モデルと比較しました。精度、AUC(Area Under Curve)、リコール、損失の指標を考慮して、我々のモデルを互いに比較した。モデルの性能評価を行った結果,cnnは他のモデルよりも優れており,従来の手法と比較して有望であることが判明した。精度は92%、aucは98.21%、リコールは91.72%、損失は0.328であった。

関連論文リスト

AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文参考訳（メタデータ） (2024-10-20T16:08:20Z)
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)
Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文参考訳（メタデータ） (2023-10-05T07:48:55Z)
CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19 [0.0]
我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
論文参考訳（メタデータ） (2023-02-17T17:18:02Z)
Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文参考訳（メタデータ） (2022-03-20T21:00:10Z)
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)
Effect of Input Size on the Classification of Lung Nodules Using Convolutional Neural Networks [0.12891210250935145]
低用量CTによる肺がん検診は,従来の胸部X線撮影と比較して肺がん死亡率を20%低下させる。コンピュータ支援検出システム(CAD)は,CTスキャンのスライス数を最大600にし,高速かつ高精度なデータ評価に極めて重要である。本研究では, 畳み込みニューラルネットワーク(CNN)を用いてCT肺検診を解析し, 偽陽性を減少させる枠組みを提案する。
論文参考訳（メタデータ） (2021-07-11T16:52:30Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
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)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。