論文の概要: Dual-Activated Lightweight Attention ResNet50 for Automatic
Histopathology Breast Cancer Image Classification
- arxiv url: http://arxiv.org/abs/2308.13150v6
- Date: Wed, 14 Feb 2024 05:25:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 19:32:29.250137
- Title: Dual-Activated Lightweight Attention ResNet50 for Automatic
Histopathology Breast Cancer Image Classification
- Title（参考訳）: Dual-Activated Lightweight Attention ResNet50による乳癌画像の自動分類
- Authors: Suxing Liu, Anusha Achuthan, Ali Fawzi, Galib Muhammad Shahriar Himel
- Abstract要約: 本研究では,Dual-Activated Lightweight Attention ResNet50 (DALAResNet50) を用いた乳癌の新しい分類法を提案する。
提案したDALAResNet50アプローチは,40X,100X,200X,400Xの乳がん病理像に対して,それぞれ98.5%,98.7%,97.9%,94.3%の精度で評価されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic breast cancer classification technology in histopathology images
plays a crucial role in accurate diagnosis and treatment planning. Recently,
histopathology image classification approaches based on ResNet architecture
have been widely proposed as they vastly improve the classification accuracy
using skip connection to prevent vanishing gradient issues by combining
low-level and high-level feature information. However, traditional ResNet
architecture suffers from challenges such as data imbalance and
interpretability, which still require cross-domain knowledge and collaboration
among medical experts. This study proposes a new breast cancer classification
method using a Dual-Activated Lightweight Attention ResNet50 (DALAResNet50)
approach to address data imbalance and interpretability challenges effectively.
The proposed approach combines a pre-trained deep ResNet50 method and a
lightweight attention mechanism to accomplish the classification by embedding
an attention module in layer 4 of ResNet50 and adding two fully connected
layers based on LeakyReLU and ReLU activation functions to enhance the ability
of feature learning. The proposed DALAResNet50 approach has been evaluated on
breast cancer histopathology images derived from BreakHis Datase at
magnification factors of 40X, 100X, 200X, and 400X, achieving accuracies of
98.5%, 98.7%, 97.9%, and 94.3%, respectively. The DALAResNet50 approach was
comprehensively assessed with popular deep learning approaches such as
SEResNet50, DensNet121, VGG16, VGG16Inception, ViT, Swin-Transformer,
Dinov2_Vitb14, and ResNet50 models. The reported results of DALAResNet50
outperform the compared approaches regarding precision, accuracy, recall, F1
score, and GMean, demonstrating significant robustness and broad applicability
when dealing with different magnifications and unbalanced breast cancer
datasets
- Abstract（参考訳）: 病理組織像における乳癌の自動分類技術は、正確な診断と治療計画において重要な役割を担っている。
近年,ResNetアーキテクチャに基づく病理画像分類手法が広く提案されており,低レベル特徴情報と高レベル特徴情報を組み合わせることにより,スキップ接続を用いた分類精度を大幅に向上させている。
しかし、従来のResNetアーキテクチャはデータ不均衡や解釈可能性といった課題に悩まされており、それは依然としてクロスドメインな知識と医療専門家の協力を必要としている。
本研究では,Dual-Activated Lightweight Attention ResNet50 (DALAResNet50) を用いた乳癌の新しい分類法を提案する。
提案手法は,事前学習したdeep resnet50法と軽量アテンション機構を組み合わせて,resnet50のレイヤ4にアテンションモジュールを埋め込み,recuryreluとreluアクティベーション関数に基づく2つの完全接続層を追加して特徴学習能力を高めることで分類を行う。
提案したDALAResNet50アプローチは,40X,100X,200X,400Xの乳がん組織像を用いて,それぞれ98.5%,98.7%,97.9%,94.3%の精度で乳がん組織像の評価を行った。
DALAResNet50アプローチは、SEResNet50、DensNet121、VGG16、VGG16Inception、ViT、Swin-Transformer、Dinov2_Vitb14、ResNet50モデルといった一般的なディープラーニングアプローチで包括的に評価された。
DALAResNet50の報告結果は、精度、精度、リコール、F1スコア、GMeanに対する比較アプローチよりも優れており、異なる倍率と不均衡な乳癌データセットを扱う場合の顕著な堅牢性と幅広い適用性を示している。
関連論文リスト
- Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。
本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。
データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
論文 参考訳（メタデータ） (2024-11-23T15:51:15Z) - 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) - Comparative Analysis of Transfer Learning Models for Breast Cancer Classification [10.677937909900486]
本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。
ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
論文 参考訳（メタデータ） (2024-08-29T18:49:32Z) - ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging [0.0]
本稿では,ResNet101を用いて,Deep Autoencoder (DAE) という,革新的な畳み込み型アンサンブルネットワーク手法を提案する。
この方法は、畳み込みに基づくディープニューラルネットワークを用いて皮膚がんを検出する。
精度96.03%、精度95.40%、リコール96.05%、F測定0.9576、AUC0.98である。
論文 参考訳（メタデータ） (2024-03-21T09:07:28Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳（メタデータ） (2023-11-13T19:51:46Z) - 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) - Compact representations of convolutional neural networks via weight
pruning and quantization [63.417651529192014]
本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。
我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
論文 参考訳（メタデータ） (2021-08-28T20:39:54Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2020-11-13T16:04:39Z) - RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2
Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています
The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文 参考訳（メタデータ） (2020-10-15T03:09:08Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z)
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。