Fugu-MT 論文翻訳(概要): Brain Tumor Detection Using Deep Learning Approaches

論文の概要: Brain Tumor Detection Using Deep Learning Approaches

arxiv url: http://arxiv.org/abs/2309.12193v1
Date: Thu, 21 Sep 2023 15:59:06 GMT
ステータス: 処理完了
システム内更新日: 2023-09-22 14:28:47.321951
Title: Brain Tumor Detection Using Deep Learning Approaches
Title（参考訳）: 深層学習を用いた脳腫瘍検出
Authors: Razia Sultana Misu
Abstract要約: 本稿では,脳腫瘍の同定における深層学習,特にResNet50の利用について概説する。本研究では,VGG16,VGG19,DenseNet121,ResNet50,YOLOV4の5つの伝達学習モデルを用いて,ResNet50が最高の,あるいは最も高い精度の99.54%を提供する。
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: Brain tumors are collections of abnormal cells that can develop into masses or clusters. Because they have the potential to infiltrate other tissues, they pose a risk to the patient. The main imaging technique used, MRI, may be able to identify a brain tumor with accuracy. The fast development of Deep Learning methods for use in computer vision applications has been facilitated by a vast amount of training data and improvements in model construction that offer better approximations in a supervised setting. The need for these approaches has been the main driver of this expansion. Deep learning methods have shown promise in improving the precision of brain tumor detection and classification using magnetic resonance imaging (MRI). The study on the use of deep learning techniques, especially ResNet50, for brain tumor identification is presented in this abstract. As a result, this study investigates the possibility of automating the detection procedure using deep learning techniques. In this study, I utilized five transfer learning models which are VGG16, VGG19, DenseNet121, ResNet50 and YOLO V4 where ResNet50 provide the best or highest accuracy 99.54%. The goal of the study is to guide researchers and medical professionals toward powerful brain tumor detecting systems by employing deep learning approaches by way of this evaluation and analysis.
Abstract（参考訳）: 脳腫瘍は異常な細胞の集合体で、塊やクラスターに成長する。他の組織に潜入する可能性があるため、患者にリスクをもたらす。使用される主な画像技術であるMRIは、精度で脳腫瘍を特定できるかもしれない。コンピュータビジョンアプリケーションにおけるディープラーニング手法の迅速な開発は、膨大なトレーニングデータとモデル構築の改善によって促進され、教師付き環境での近似性が向上した。これらのアプローチの必要性は、この拡張の主因となっている。深層学習法は、MRI(MRI)を用いて脳腫瘍の検出と分類の精度を向上させることを約束している。脳腫瘍同定のための深層学習技術、特にresnet50の使用に関する研究は、この要約で示されている。その結果,深層学習手法を用いた検出手順の自動化の可能性について検討した。本研究では,VGG16,VGG19,DenseNet121,ResNet50,YOLOV4の5つの伝達学習モデルを用いて,ResNet50が最高の,あるいは最も高い精度の99.54%を提供する。本研究の目的は、この評価と分析によって深層学習アプローチを用いて、研究者や医療専門家を強力な脳腫瘍検出システムへと導くことである。

関連論文リスト

Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文参考訳（メタデータ） (2024-10-31T07:28:06Z)
An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
脳腫瘍の不正確な同定は、寿命を著しく低下させる。本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
論文参考訳（メタデータ） (2023-05-22T09:08:59Z)
Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
論文参考訳（メタデータ） (2023-04-29T13:33:21Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Deep Learning for Brain Age Estimation: A Systematic Review [41.292656643344294]
機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
論文参考訳（メタデータ） (2022-12-07T15:19:59Z)
Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文参考訳（メタデータ） (2022-04-26T13:20:42Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2022-01-31T09:39:52Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。