論文の概要: Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images
- arxiv url: http://arxiv.org/abs/2309.08745v1
- Date: Fri, 15 Sep 2023 20:16:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 19:32:36.019872
- Title: Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images
- Title（参考訳）: ヘマトキシリンおよびエオシン染色組織像の転写学習による乳癌診断の改善
- Authors: Fahad Ahmed, Reem Abdel-Salam, Leon Hamnett, Mary Adewunmi, Temitope
Ayano
- Abstract要約: 本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
- 参考スコア（独自算出の注目度）: 3.7498611358320733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is one of the leading causes of death for women worldwide.
Early screening is essential for early identification, but the chance of
survival declines as the cancer progresses into advanced stages. For this
study, the most recent BRACS dataset of histological (H\&E) stained images was
used to classify breast cancer tumours, which contains both the whole-slide
images (WSI) and region-of-interest (ROI) images, however, for our study we
have considered ROI images. We have experimented using different pre-trained
deep learning models, such as Xception, EfficientNet, ResNet50, and
InceptionResNet, pre-trained on the ImageNet weights. We pre-processed the
BRACS ROI along with image augmentation, upsampling, and dataset split
strategies. For the default dataset split, the best results were obtained by
ResNet50 achieving 66\% f1-score. For the custom dataset split, the best
results were obtained by performing upsampling and image augmentation which
results in 96.2\% f1-score. Our second approach also reduced the number of
false positive and false negative classifications to less than 3\% for each
class. We believe that our study significantly impacts the early diagnosis and
identification of breast cancer tumors and their subtypes, especially atypical
and malignant tumors, thus improving patient outcomes and reducing patient
mortality rates. Overall, this study has primarily focused on identifying seven
(7) breast cancer tumor subtypes, and we believe that the experimental models
can be fine-tuned further to generalize over previous breast cancer histology
datasets as well.
- Abstract（参考訳）: 乳がんは世界中の女性にとって主要な死因の1つである。
早期スクリーニングは早期診断には不可欠であるが、がんが進行するにつれて生存率は低下する。
本研究では, 乳腺癌腫瘍の分類に, 組織学的(h\&e)染色画像のbracsデータセットを用いて, 乳腺全層画像(wsi)と腫瘍領域(roi)画像の両方を含む乳がん腫瘍の分類を行った。
xception, efficientnet, resnet50, inceptionresnetなど,imagenetの重みで事前学習されたさまざまなディープラーニングモデルを用いて実験を行った。
BRACSのROIを前処理し、画像増倍、アップサンプリング、データセット分割戦略を適用した。
デフォルトのデータセット分割では、ResNet50が66\% f1スコアを達成した。
カスタムデータセット分割では、アップサンプリングと画像拡張を行い、96.2\%のf1-scoreが得られた。
第2のアプローチでは, 偽陽性, 偽陰性分類の数が各クラスで 3 % 未満に減少した。
本研究は乳がん腫瘍とその亜型,特に非定型腫瘍および悪性腫瘍の早期診断と診断に大きく影響し,患者の予後を改善し,患者の死亡率を低下させる。
本研究は主に7種類の乳がん腫瘍の亜型を同定することに焦点を当てており, 実験モデルをさらに微調整して, 過去の乳がん組織学データセットにも応用できると考えている。
関連論文リスト
- 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) - Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。
本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:57:27Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - 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) - CEIMVEN: An Approach of Cutting Edge Implementation of Modified Versions of EfficientNet (V1-V2) Architecture for Breast Cancer Detection and Classification from Ultrasound Images [0.0]
乳がんは女性の死亡数の最大の原因となっている。
近年の研究では、超音波画像やマンモグラフィーから乳がんを検出・分類し、深層ニューラルネットワークで分類する上で、医療画像処理と医療画像処理が重要な役割を担っている。
本研究では,EfficientNet の最先端版の改良版に対する厳密な実装と反復的な結果分析に焦点をあてた。
論文 参考訳（メタデータ） (2023-08-25T13:05:06Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳（メタデータ） (2022-09-20T15:57:12Z) - Classification of Breast Tumours Based on Histopathology Images Using
Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。
Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。
分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文 参考訳（メタデータ） (2022-09-03T09:27:00Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
近年、深層学習は科学の様々な分野、特に医学で広く採用されている。
乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
論文 参考訳（メタデータ） (2021-07-11T12:55:33Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z)
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。