論文の概要: An L2-Normalized Spatial Attention Network For Accurate And Fast Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images

• arxiv url: http://arxiv.org/abs/2308.00491v1
• Date: Tue, 1 Aug 2023 12:22:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 14:11:20.036216
• Title: An L2-Normalized Spatial Attention Network For Accurate And Fast Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images
• Title（参考訳）: 2次元T1強調CE-MRI画像における脳腫瘍の正確な分類のためのL2Normalized Space Attention Network
• Authors: Grace Billingsley, Julia Dietlmeier, Vivek Narayanaswamy, Andreas Spanias and Noel E. OConnor
• Abstract要約: MRI画像における脳腫瘍の分類のための高精度かつ高速な分類網を提案する。 3種類の脳腫瘍を含む2次元T1強調CE-MRIデータセットを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 21.369333654766233
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose an accurate and fast classification network for classification of brain tumors in MRI images that outperforms all lightweight methods investigated in terms of accuracy. We test our model on a challenging 2D T1-weighted CE-MRI dataset containing three types of brain tumors: Meningioma, Glioma and Pituitary. We introduce an l2-normalized spatial attention mechanism that acts as a regularizer against overfitting during training. We compare our results against the state-of-the-art on this dataset and show that by integrating l2-normalized spatial attention into a baseline network we achieve a performance gain of 1.79 percentage points. Even better accuracy can be attained by combining our model in an ensemble with the pretrained VGG16 at the expense of execution speed. Our code is publicly available at https://github.com/juliadietlmeier/MRI_image_classification
• Abstract（参考訳）: 本稿では,MRI画像における脳腫瘍の分類のための高精度かつ高速な分類網を提案する。 我々は,メニンギオーマ,グリオーマ,ピトピトリーの3種類の脳腫瘍を含む2次元T1強調CE-MRIデータセットを用いて実験を行った。 訓練中,オーバーフィット対策としてl2正規化空間注意機構を導入する。 このデータセットの最先端技術と比較し,l2正規化された空間的注意をベースラインネットワークに組み込むことで,性能が1.79ポイント向上したことを示す。 我々のモデルと事前訓練されたVGG16をアンサンブルで組み合わせることで、実行速度を犠牲にしてさらに精度を向上することができる。 私たちのコードはhttps://github.com/juliadietlmeier/MRI_image_classificationで公開されています。

関連論文リスト

• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable Medical Image Segmentation [56.50064853710202]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
  3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。 本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。 効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
  論文  参考訳（メタデータ） (2023-02-24T15:26:31Z)
• Neural Gas Network Image Features and Segmentation for Brain Tumor Detection Using Magnetic Resonance Imaging Data [0.0]
  本研究は,画像コントラスト強調のためのメタヒューリスティックファイアフライアルゴリズム(FA)を前処理として用いた。 また,SVM(Support Vector Machine)分類アルゴリズムを用いて腫瘍分類を行い,深層学習手法と比較した。 95.14 %の分類精度と0.977のセグメンテーション精度を提案手法により達成した。
  論文  参考訳（メタデータ） (2023-01-28T12:16:37Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks [0.0]
  脳の腫瘍はがんなので致命的です。 脳腫瘍の大きさや位置が異なるため、その性質を理解することは困難である。 本論文は,通常の画素と異常画素を区別し,精度良く分類することを目的とする。
  論文  参考訳（メタデータ） (2022-08-28T18:24:22Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models [6.726255259929498]
  本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。 提案フレームワークは、全体的な検出精度96.88%を取得する。 提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
  論文  参考訳（メタデータ） (2022-02-20T16:14:01Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
  RSNA頭蓋内出血検出のためのシステムについて紹介する。 提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。 最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
  論文  参考訳（メタデータ） (2020-08-01T17:28:25Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。