論文の概要: Breast cancer detection using deep learning
- arxiv url: http://arxiv.org/abs/2304.10386v1
- Date: Thu, 20 Apr 2023 15:22:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 12:45:34.295862
- Title: Breast cancer detection using deep learning
- Title（参考訳）: 深層学習を用いた乳癌検出
- Authors: Gayathri Girish, Ponnathota Spandana, Badrish Vasu
- Abstract要約: 本稿では,マイクロ波イメージング画像の再構成画像から乳がんを検出するための深層学習モデルを提案する。
NASNetLargeは、88.41%、27.82%の精度でCNNモデルに使用できる最高のアーキテクチャである。
- 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: Objective: This paper proposes a deep learning model for breast cancer
detection from reconstructed images of microwave imaging scan data and aims to
improve the accuracy and efficiency of breast tumor detection, which could have
a significant impact on breast cancer diagnosis and treatment. Methods: Our
framework consists of different convolutional neural network (CNN)
architectures for feature extraction and a region-based CNN for tumor
detection. We use 7 different architectures: DenseNet201, ResNet50,
InceptionV3, InceptionResNetV3, MobileNetV2, NASNetMobile and NASNetLarge and
compare its performance to find the best architecture out of the seven. An
experimental dataset of MRI-derived breast phantoms was used. Results:
NASNetLarge is the best architecture which can be used for the CNN model with
accuracy of 88.41% and loss of 27.82%. Given that the model's AUC is 0.786, it
can be concluded that it is suitable for use in its present form, while it
could be improved upon and trained on other datasets that are comparable.
Impact: One of the main causes of death in women is breast cancer, and early
identification is essential for enhancing the results for patients. Due to its
non-invasiveness and capacity to produce high-resolution images, microwave
imaging is a potential tool for breast cancer screening. The complexity of
tumors makes it difficult to adequately detect them in microwave images. The
results of this research show that deep learning has a lot of potential for
breast cancer detection in microwave images
- Abstract（参考訳）: 目的:本論文は,マイクロ波イメージング画像の再構成画像から乳がん検出の深層学習モデルを提案し,乳がん診断と治療に大きな影響を及ぼす可能性のある乳がん検出の精度と効率を向上させることを目的とする。
方法: このフレームワークは特徴抽出のための異なる畳み込みニューラルネットワーク(CNN)アーキテクチャと腫瘍検出のための領域ベースCNNから構成される。
DenseNet201、ResNet50、InceptionV3、InceptionResNetV3、MobileNetV2、NASNetMobile、NASNetLargeの7つの異なるアーキテクチャを使用します。
MRI由来の乳房ファントムのデータセットを用いた。
結果:NASNetLargeは、88.41%、27.82%の精度でCNNモデルに使用できる最高のアーキテクチャである。
モデルのAUCが0.786であることを考えると、現在の形式での使用に適していると結論付けることができる。
影響:女性における主な死因の1つは乳癌であり、早期診断は患者の治療効果を高める上で不可欠である。
非侵襲性と高分解能画像を生成する能力のため、マイクロ波イメージングは乳がん検診の潜在的なツールである。
腫瘍の複雑さにより、マイクロ波画像において適切な検出が困難になる。
この研究の結果、深層学習はマイクロ波画像における乳癌検出に多くの可能性を秘めていることが示された。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
論文 参考訳（メタデータ） (2023-09-15T20:16:17Z) - Comparative Analysis of Deep Learning Architectures for Breast Cancer
Diagnosis Using the BreaKHis Dataset [0.0]
本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。
その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。
InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
論文 参考訳（メタデータ） (2023-09-02T19:02:50Z) - Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。
実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
論文 参考訳（メタデータ） (2023-02-22T03:02:52Z) - 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) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
近年、深層学習は科学の様々な分野、特に医学で広く採用されている。
乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
論文 参考訳（メタデータ） (2021-07-11T12:55:33Z) - 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) - Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid
Transfer Learning [5.835732870341059]
本稿では,乳癌検出のための転写学習プロセスに焦点を当てた。
本稿では,改良VGG 16,残差ネットワーク,移動ネットワークを提案し,実装した。
論文 参考訳（メタデータ） (2020-03-23T05:16:34Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳（メタデータ） (2020-03-23T01:26:36Z) - Breast Cancer Detection Using Convolutional Neural Networks [0.0]
エチオピアでは女性がん患者の34%を占める乳がんが一般的である。
深層学習技術は医療画像分析の分野に革命をもたらしている。
本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
論文 参考訳（メタデータ） (2020-03-17T19:41:00Z)
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。