Fugu-MT 論文翻訳(概要): An efficient deep learning model to categorize brain tumor using reconstruction and fine-tuning

論文の概要: An efficient deep learning model to categorize brain tumor using reconstruction and fine-tuning

arxiv url: http://arxiv.org/abs/2305.12844v1
Date: Mon, 22 May 2023 09:08:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-23 17:09:59.448598
Title: An efficient deep learning model to categorize brain tumor using reconstruction and fine-tuning
Title（参考訳）: 再建と微調整による脳腫瘍分類のための効率的な深層学習モデル
Authors: Md. Alamin Talukder, Md. Manowarul Islam, Md Ashraf Uddin, Arnisha Akhter, Md. Alamgir Jalil Pramanik, Sunil Aryal, Muhammad Ali Abdulllah Almoyad, Khondokar Fida Hasan, Mohammad Ali Moni
Abstract要約: 脳腫瘍は最も致命的かつ壊滅的な疾患の1つであり、しばしば寿命が大幅に減少する。脳腫瘍の正確な診断には,信頼性の高い深層学習(DL)モデルが必要である。本研究では,脳腫瘍を効果的に分類するためのトランスファーラーニングに基づく新しいDLアプローチを提案する。
参考スコア（独自算出の注目度）: 1.8479865653637229
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Brain tumors are among the most fatal and devastating diseases, often resulting in significantly reduced life expectancy. An accurate diagnosis of brain tumors is crucial to devise treatment plans that can extend the lives of affected individuals. Manually identifying and analyzing large volumes of MRI data is both challenging and time-consuming. Consequently, there is a pressing need for a reliable deep learning (DL) model to accurately diagnose brain tumors. In this study, we propose a novel DL approach based on transfer learning to effectively classify brain tumors. Our novel method incorporates extensive pre-processing, transfer learning architecture reconstruction, and fine-tuning. We employ several transfer learning algorithms, including Xception, ResNet50V2, InceptionResNetV2, and DenseNet201. Our experiments used the Figshare MRI brain tumor dataset, comprising 3,064 images, and achieved accuracy scores of 99.40%, 99.68%, 99.36%, and 98.72% for Xception, ResNet50V2, InceptionResNetV2, and DenseNet201, respectively. Our findings reveal that ResNet50V2 achieves the highest accuracy rate of 99.68% on the Figshare MRI brain tumor dataset, outperforming existing models. Therefore, our proposed model's ability to accurately classify brain tumors in a short timeframe can aid neurologists and clinicians in making prompt and precise diagnostic decisions for brain tumor patients.
Abstract（参考訳）: 脳腫瘍は最も致命的かつ壊滅的な疾患であり、しばしば寿命が著しく減少する。脳腫瘍の正確な診断は、影響を受けた人の寿命を延ばす治療計画の策定に不可欠である。大量のMRIデータを手動で識別し分析することは困難かつ時間を要する。その結果、脳腫瘍を正確に診断するための信頼性のある深層学習(DL)モデルの必要性が高まった。本研究では,脳腫瘍を効果的に分類するためのトランスファー学習に基づく新しいdlアプローチを提案する。提案手法は,広範囲な事前処理,伝達学習アーキテクチャ再構築,微調整を含む。我々はXception、ResNet50V2、InceptionResNetV2、DenseNet201などのトランスファー学習アルゴリズムを採用している。実験では3,064枚の画像で構成され,Xception,ResNet50V2,InceptionResNetV2,DenseNet201の各精度スコアが99.40%,99.68%,99.36%,98.72%であった。以上の結果から,resnet50v2はmri脳腫瘍データセットで99.68%の精度を達成し,既存のモデルよりも優れていた。そこで本提案モデルでは,脳腫瘍を短時間で正確に分類する能力により,脳腫瘍患者に対する迅速かつ正確な診断を行うことができる。

関連論文リスト

Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文参考訳（メタデータ） (2024-10-31T07:28:06Z)
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)
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)
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
論文参考訳（メタデータ） (2023-10-26T18:27:20Z)
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)
Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文参考訳（メタデータ） (2023-08-14T15:29:32Z)
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)
An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。提案手法の性能を2073個のMRI画像で検証する実験を行った。性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
論文参考訳（メタデータ） (2022-06-08T14:29:06Z)
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)
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)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)

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。