論文の概要: Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures
- arxiv url: http://arxiv.org/abs/2305.19937v1
- Date: Wed, 31 May 2023 15:21:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 15:42:00.634319
- Title: Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures
- Title(参考訳): 乳癌の診断と診断 : 最先端のディープラーニングアーキテクチャの比較研究
- Authors: Brennon Maistry and Absalom E. Ezugwu
- Abstract要約: 南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
- 参考スコア(独自算出の注目度): 3.883460584034766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is a prevalent form of cancer among women, with over 1.5
million women being diagnosed each year. Unfortunately, the survival rates for
breast cancer patients in certain third-world countries, like South Africa, are
alarmingly low, with only 40% of diagnosed patients surviving beyond five
years. The inadequate availability of resources, including qualified
pathologists, delayed diagnoses, and ineffective therapy planning, contribute
to this low survival rate. To address this pressing issue, medical specialists
and researchers have turned to domain-specific AI approaches, specifically deep
learning models, to develop end-to-end solutions that can be integrated into
computer-aided diagnosis (CAD) systems. By improving the workflow of
pathologists, these AI models have the potential to enhance the detection and
diagnosis of breast cancer. This research focuses on evaluating the performance
of various cutting-edge convolutional neural network (CNN) architectures in
comparison to a relatively new model called the Vision Trans-former (ViT). The
objective is to determine the superiority of these models in terms of their
accuracy and effectiveness. The experimental results reveal that the ViT models
outperform the other selected state-of-the-art CNN architectures, achieving an
impressive accuracy rate of 95.15%. This study signifies a significant
advancement in the field, as it explores the utilization of data augmentation
and other relevant preprocessing techniques in conjunction with deep learning
models for the detection and diagnosis of breast cancer using datasets of
Breast Cancer Histopathological Image Classification.
- Abstract(参考訳): 乳癌は女性の間で多いがんであり、毎年150万人以上の女性が診断されている。
残念なことに、南アフリカのような一部の第三世界の乳がん患者の生存率は驚くほど低く、診断された患者の40%が5年以上生存している。
資格のある病理医、診断の遅れ、非効果的な治療計画を含む資源の不足は、この低い生存率に寄与する。
このプレッシャーに対処するため、医療専門家と研究者はドメイン固有のAIアプローチ、特にディープラーニングモデルに転換し、コンピュータ支援診断(CAD)システムに統合可能なエンドツーエンドソリューションを開発した。
病理学者のワークフローを改善することで、これらのAIモデルは乳癌の検出と診断を強化する可能性がある。
本研究では,視覚トランスフォーマ (vit) と呼ばれる比較的新しいモデルと比較して,様々な最先端畳み込みニューラルネットワーク (cnn) アーキテクチャの性能評価に注目する。
目的は、それらの精度と有効性の観点から、これらのモデルの優越性を決定することである。
実験の結果、vitモデルは他の選択されたcnnアーキテクチャよりも優れており、95.15%の精度を達成した。
本研究は,乳癌の病理組織学的画像分類のデータセットを用いた乳癌の検出と診断のための深層学習モデルと合わせて,データ拡張およびその他の関連する前処理技術の利用を検討することにより,この分野の大きな進歩を示すものである。
関連論文リスト
- Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳(メタデータ) (2023-11-30T15:11:03Z) - ANNCRIPS: Artificial Neural Networks for Cancer Research In Prediction &
Survival [0.0]
本研究では,ニューラルネットワーク(ANN)を用いたインテリジェントな数学的モデルの開発と検証に焦点をあてる。
このモデルの実装は、偽陽性の発生率を減らし、患者の結果を改善する有望な可能性を示す。
長期的な目標は、このソリューションを様々なスクリーニングセンター、病院、研究機関に展開できるようにすることである。
論文 参考訳(メタデータ) (2023-09-26T08:11:35Z) - 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) - Designing a Deep Learning-Driven Resource-Efficient Diagnostic System
for Metastatic Breast Cancer: Reducing Long Delays of Clinical Diagnosis and
Improving Patient Survival in Developing Countries [8.024420292033492]
症状の初期発生と診断の受入の遅延は15カ月以上延長する可能性がある。
本研究は,転移性乳癌に対する深層学習に基づく診断システムを開発した。
MobileNetV2診断モデルは、正常な細胞の大部分に埋め込まれた非常に小さな癌ノードを特定することができる。
論文 参考訳(メタデータ) (2023-08-04T03:09:48Z) - Evaluating LeNet Algorithms in Classification Lung Cancer from
Iraq-Oncology Teaching Hospital/National Center for Cancer Diseases [0.0]
深層学習モデルであるLeNetは肺腫瘍の検出に用いられている。
提案システムはイラク・オンコロジー教育病院・国立がん疾患センターで評価された。
論文 参考訳(メタデータ) (2023-05-19T19:23:08Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - Breast Cancer Classification using Deep Learned Features Boosted with
Handcrafted Features [0.0]
早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。
本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。
提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
論文 参考訳(メタデータ) (2022-06-26T07:54:09Z) - 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) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。