Fugu-MT 論文翻訳(概要): Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI

論文の概要: Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI

arxiv url: http://arxiv.org/abs/2310.02270v1
Date: Sun, 24 Sep 2023 03:46:38 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 04:56:26.097112
Title: Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI
Title（参考訳）: MRIを用いた脳腫瘍分類における転写学習の比較検討
Authors: Abu Kaisar Mohammad Masum, Nusrat Badhon, S.M. Saiful Islam Badhon, Nushrat Jahan Ria, Sheikh Abujar, Muntaser Mansur Syed, and Naveed Mahmud
Abstract要約: 脳腫瘍の診断は、コンピュータ支援診断の分野によって大幅に速められている。本研究では,脳腫瘍を4種類の転移学習法を用いて分類した。われわれのモデルは、脳がんの3つの異なる形態を表す3064ドルのMRI画像のベンチマークデータセットでテストされた。
参考スコア（独自算出の注目度）: 0.5235143203977018
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Abnormal growth of cells in the brain and its surrounding tissues is known as a brain tumor. There are two types, one is benign (non-cancerous) and another is malignant (cancerous) which may cause death. The radiologists' ability to diagnose malignancies is greatly aided by magnetic resonance imaging (MRI). Brain cancer diagnosis has been considerably expedited by the field of computer-assisted diagnostics, especially in machine learning and deep learning. In our study, we categorize three different kinds of brain tumors using four transfer learning techniques. Our models were tested on a benchmark dataset of $3064$ MRI pictures representing three different forms of brain cancer. Notably, ResNet-50 outperformed other models with a remarkable accuracy of $99.06\%$. We stress the significance of a balanced dataset for improving accuracy without the use of augmentation methods. Additionally, we experimentally demonstrate our method and compare with other classification algorithms on the CE-MRI dataset using evaluations like F1-score, AUC, precision and recall.
Abstract（参考訳）: 脳とその周辺組織における細胞の異常増殖は、脳腫瘍として知られている。 2つのタイプがあり、1つは良性(非悪性)、もう1つは悪性(無悪性)で死を引き起こす。放射線医が悪性腫瘍を診断する能力はMRI(MRI)によって大いに助けられている。脳がんの診断は、特に機械学習やディープラーニングにおいて、コンピュータ支援診断の分野によって大幅に速められている。本研究では,4つのトランスファー学習手法を用いて3種類の脳腫瘍を分類した。私たちのモデルは、3種類の脳がんを表す3064ドルのMRI画像のベンチマークデータセットでテストされました。特にResNet-50は99.06\%の精度で他のモデルより優れていた。拡張手法を使わずに精度を向上させるためのバランスデータセットの重要性を強調した。さらに,本手法を実験的に検証し,F1スコア,AUC,精度,リコールなどの評価を用いてCE-MRIデータセット上の他の分類アルゴリズムと比較した。

関連論文リスト

Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文参考訳（メタデータ） (2024-07-15T11:30:40Z)
Robust Brain MRI Image Classification with SIBOW-SVM [1.3597551064547502]
脳腫瘍の早期発見は、がんの予防と治療に重要であり、究極的にはヒトの寿命を向上させる。 MRIは、スキャンによって包括的な脳画像を生成することで、脳腫瘍を検出する最も効果的な技術である。 CNNを含むディープラーニングに基づく画像分類手法は、適切なモデルキャリブレーションなしでクラス確率を推定する際の課題に直面している。本稿では,Bag-of-Features(BoF)モデルとSIFT特徴抽出と重み付きサポートベクトルマシン(wSVM)を統合した新しい脳腫瘍画像分類手法であるSIBOW-SVMを提案する。以上の結果から,新しい手法は最先端の手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-11-15T12:26:24Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
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)
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)
Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-09-13T07:10:14Z)
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)
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)
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)
Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。脳腫瘍は4件のがん死亡のうち1件を数えている。本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。 3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
論文参考訳（メタデータ） (2020-11-01T21:19:38Z)
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。