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
- Brain Tumor Detection Using Deep Learning Approaches [0.0]
本稿では,脳腫瘍の同定における深層学習,特にResNet50の利用について概説する。
本研究では,VGG16,VGG19,DenseNet121,ResNet50,YOLOV4の5つの伝達学習モデルを用いて,ResNet50が最高の,あるいは最も高い精度の99.54%を提供する。
論文 参考訳(メタデータ) (2023-09-21T15:59:06Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳(メタデータ) (2023-04-11T02:45:38Z) - 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) - Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional
Neural Networks [0.0]
本稿では、診断プロセスから手作業のプロセスを取り除き、代わりに機械学習を使用する。
脳腫瘍の診断・分類にCNN(Pretrained Convolutional Neural Network)を用いた。
論文 参考訳(メタデータ) (2022-07-27T02:56:38Z) - 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) - 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) - 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) - 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) - Brain Tumors Classification for MR images based on Attention Guided Deep
Learning Model [3.6328238032703806]
我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。
腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。
医師が脳腫瘍の効率的な診断を行うのを助ける。
論文 参考訳(メタデータ) (2021-04-06T07:25:52Z) - Deep Convolutional Neural Networks Model-based Brain Tumor Detection in
Brain MRI Images [0.0]
我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。
本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
論文 参考訳(メタデータ) (2020-10-03T07:42:17Z) - 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。