論文の概要: Osteosarcoma Tumor Detection using Transfer Learning Models
- arxiv url: http://arxiv.org/abs/2305.09660v1
- Date: Tue, 16 May 2023 17:58:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 13:33:30.638886
- Title: Osteosarcoma Tumor Detection using Transfer Learning Models
- Title(参考訳): 転写学習モデルを用いた骨肉腫腫瘍検出
- Authors: Raisa Fairooz Meem, Khandaker Tabin Hasan
- Abstract要約: 本稿では,骨肉腫腫瘍検出のための転写学習モデルの性能について検討する。
InceptionResNetV2 は最高精度 (93.29%)、NasNetLarge (90.91%)、ResNet50 (89.83%)、EfficientNetB7 (62.77%) を達成した。
- 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 field of clinical image analysis has been applying transfer learning
models increasingly due to their less computational complexity, better accuracy
etc. These are pre-trained models that don't require to be trained from scratch
which eliminates the necessity of large datasets. Transfer learning models are
mostly used for the analysis of brain, breast, or lung images but other sectors
such as bone marrow cell detection or bone cancer detection can also benefit
from using transfer learning models, especially considering the lack of
available large datasets for these tasks. This paper studies the performance of
several transfer learning models for osteosarcoma tumour detection.
Osteosarcoma is a type of bone cancer mostly found in the cells of the long
bones of the body. The dataset consists of H&E stained images divided into 4
categories- Viable Tumor, Non-viable Tumor, Non-Tumor and Viable Non-viable.
Both datasets were randomly divided into train and test sets following an 80-20
ratio. 80% was used for training and 20\% for test. 4 models are considered for
comparison- EfficientNetB7, InceptionResNetV2, NasNetLarge and ResNet50. All
these models are pre-trained on ImageNet. According to the result,
InceptionResNetV2 achieved the highest accuracy (93.29%), followed by
NasNetLarge (90.91%), ResNet50 (89.83%) and EfficientNetB7 (62.77%). It also
had the highest precision (0.8658) and recall (0.8658) values among the 4
models.
- Abstract(参考訳): 臨床画像解析の分野は,計算複雑性の低下や精度の向上などにより,転送学習モデルを適用しつつある。
これらは事前トレーニングされたモデルで、スクラッチからトレーニングする必要がなく、大規模なデータセットの必要性がなくなる。
転写学習モデルは、主に脳、乳房、肺の画像の解析に使用されるが、骨髄細胞検出や骨がん検出などの他の分野も、特にこれらのタスクに利用可能な大規模なデータセットが不足していることから、転写学習モデルを使用することの恩恵を受けることができる。
本稿では,骨肉腫腫瘍検出のための転写学習モデルの性能について検討する。
骨肉腫(osteosarcoma)は、骨の長い骨の細胞に見られる骨がんの一種である。
データセットは4つのカテゴリ(生存可能腫瘍、生存可能腫瘍、非腫瘍、生存可能非生存可能腫瘍)に分けられたh&e染色画像で構成されている。
どちらのデータセットも、80~20の比率で列車とテストセットにランダムに分割された。
80%がトレーニングに、20%がテストに使われた。
比較には4モデルが検討されている: efficientnetb7、inceptionresnetv2、nasnetlarge、resnet50。
これらのモデルはすべてimagenetで事前トレーニングされている。
その結果、InceptionResNetV2が93.29%、NasNetLargeが90.91%、ResNet50が89.83%、EfficientNetB7が62.77%だった。
また、4モデルの中で最も高い精度(0.8658)とリコール(0.8658)を持っていた。
関連論文リスト
- TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - Translating automated brain tumour phenotyping to clinical neuroimaging [0.4199844472131921]
我々は、自動腫瘍分割モデルの比較忠実度を定量化するために最先端の手法を用いる。
深層学習セグメンテーションモデルは、データ不足時に腫瘍をうまく特徴づけ、コントラストを使わずに拡張組織を検出できる。
論文 参考訳(メタデータ) (2022-06-13T12:58:54Z) - Examining the behaviour of state-of-the-art convolutional neural
networks for brain tumor detection with and without transfer learning [0.0]
本研究における2種類のデータセットについて,最先端CNNモデルを用いて検討した。
EfficientNet-B5アーキテクチャは、バイナリ分類データセットのすべての最先端モデルを99.75%と98.61%の精度で上回る。
論文 参考訳(メタデータ) (2022-06-02T18:49:28Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。
深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文 参考訳(メタデータ) (2022-04-26T13:20:42Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳(メタデータ) (2020-11-02T18:16:17Z) - 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) - Predictive modeling of brain tumor: A Deep learning approach [0.0]
本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。
実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
論文 参考訳(メタデータ) (2019-11-06T09:27:48Z)
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。