論文の概要: Breast Cancer Segmentation using Attention-based Convolutional Network and Explainable AI

• arxiv url: http://arxiv.org/abs/2305.14389v2
• Date: Sun, 18 Jun 2023 21:21:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 17:03:43.425062
• Title: Breast Cancer Segmentation using Attention-based Convolutional Network and Explainable AI
• Title（参考訳）: 注意に基づく畳み込みネットワークと説明可能なAIを用いた乳癌分離
• Authors: Jai Vardhan, Taraka Satya Krishna Teja Malisetti
• Abstract要約: 乳がん(BC)は依然として重大な健康上の脅威であり、現在長期治療は行われていない。 早期発見は重要であるが、マンモグラフィーの解釈は高い偽陽性と陰性によって妨げられる。 この研究は、セグメンテーションのための注意に基づく畳み込みニューラルネットワークを示し、BCの検出と分類のスピードと精度を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer (BC) remains a significant health threat, with no long-term cure currently available. Early detection is crucial, yet mammography interpretation is hindered by high false positives and negatives. With BC incidence projected to surpass lung cancer, improving early detection methods is vital. Thermography, using high-resolution infrared cameras, offers promise, especially when combined with artificial intelligence (AI). This work presents an attention-based convolutional neural network for segmentation, providing increased speed and precision in BC detection and classification. The system enhances images and performs cancer segmentation with explainable AI. We propose a transformer-attention-based convolutional architecture (UNet) for fault identification and employ Gradient-weighted Class Activation Mapping (Grad-CAM) to analyze areas of bias and weakness in the UNet architecture with IRT images. The superiority of our proposed framework is confirmed when compared with existing deep learning frameworks.
• Abstract（参考訳）: 乳がん(BC)は依然として重大な健康上の脅威であり、現在長期治療は行われていない。 早期発見は重要であるが、マンモグラフィーの解釈は高い偽陽性と陰性によって妨げられる。 BCは肺がんに勝ると予想され、早期発見法の改善が不可欠である。 高分解能赤外線カメラを用いたサーモグラフィは、特に人工知能(ai)と組み合わせると期待できる。 この研究は、セグメンテーションのための注意に基づく畳み込みニューラルネットワークを示し、BCの検出と分類のスピードと精度を高める。 このシステムは画像を強化し、説明可能なAIを用いて癌セグメンテーションを行う。 irt画像を用いてunetアーキテクチャのバイアスと弱点領域を分析するために,障害同定のためのトランスフォーマッティングに基づく畳み込みアーキテクチャ(unet)を提案し,勾配重み付けクラスアクティベーションマッピング(grad-cam)を用いた。 既存のディープラーニングフレームワークと比較して,提案フレームワークの優位性が確認された。

関連論文リスト

• Are nuclear masks all you need for improved out-of-domain generalisation? A closer look at cancer classification in histopathology [49.518701946822446]
  我々は,核形態学と組織に着目して,癌検出のためのOODの一般化を改善するための簡単なアプローチを提案する。 本手法では,核分割マスクを原画像と統合し,核の優先順位付けを奨励する。 複数のデータセットを用いて,OODの一般化が向上し,画像の破損や敵攻撃に対するロバスト性も向上することを示す。
  論文  参考訳（メタデータ） (2024-11-14T11:27:15Z)
• Leveraging Latents for Efficient Thermography Classification and Segmentation [2.7719338074999547]
  乳癌の分類とセグメンテーションのための新しいアルゴリズムを提案する。 このアルゴリズムは,手動の機能とアーキテクチャ工学に重点を置くのではなく,情報的,学習的な機能空間の活用に重点を置いている。 分類はSOTAの結果を生成するが,本論文で研究したセグメンテーション領域の創出は今回が初めてである。
  論文  参考訳（メタデータ） (2024-04-09T19:33:05Z)
• Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
  乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。 悪性の腫瘤を正確に識別することは 依然として困難です マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:22:14Z)
• Attention-Map Augmentation for Hypercomplex Breast Cancer Classification [6.098816895102301]
  本稿では,乳がん分類の問題点を克服する枠組みとして,パラメータ化ハイパーコンプレックス・アテンション・マップ(PHAM)を提案する。 フレームワークには2つの大きな利点がある。まず注意マップがROIに関する重要な情報を提供し、ニューラルネットワークがそれに集中できるようにする。 私たちは、注目に基づく最先端のネットワークと、我々のアプローチの真の価値を超越しています。
  論文  参考訳（メタデータ） (2023-10-11T16:28:24Z)
• Generation of Artificial CT Images using Patch-based Conditional Generative Adversarial Networks [0.0]
  本稿では,条件付き判別器を用いた生成対向ネットワークを用いた画像生成手法を提案する。 心電図(CT)画像におけるGAN強調医用画像生成の可能性について検討した。
  論文  参考訳（メタデータ） (2022-05-19T20:29:25Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。