論文の概要: Class-Specific Data Augmentation: Bridging the Imbalance in Multiclass Breast Cancer Classification

• arxiv url: http://arxiv.org/abs/2310.09981v1
• Date: Sun, 15 Oct 2023 23:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 17:08:19.296357
• Title: Class-Specific Data Augmentation: Bridging the Imbalance in Multiclass Breast Cancer Classification
• Title（参考訳）: クラス特異的データ拡張:多クラス乳癌分類における不均衡の橋渡し
• Authors: Kanan Mahammadli, Abdullah Burkan Bereketoglu and Ayse Gul Kabakci
• Abstract要約: 本稿では、クラスレベルのデータ拡張を採用し、アンダーサンプされたクラスに対処し、検出率を高める。 本研究の目的は,多クラス分類を運用し,画像を良性または4種類の悪性乳癌の1つに分類することで,医療専門家の業務を簡素化することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast Cancer is the most common cancer among women, which is also visible in men, and accounts for more than 1 in 10 new cancer diagnoses each year. It is also the second most common cause of women who die from cancer. Hence, it necessitates early detection and tailored treatment. Early detection can provide appropriate and patient-based therapeutic schedules. Moreover, early detection can also provide the type of cyst. This paper employs class-level data augmentation, addressing the undersampled classes and raising their detection rate. This approach suggests two key components: class-level data augmentation on structure-preserving stain normalization techniques to hematoxylin and eosin-stained images and transformer-based ViTNet architecture via transfer learning for multiclass classification of breast cancer images. This merger enables categorizing breast cancer images with advanced image processing and deep learning as either benign or as one of four distinct malignant subtypes by focusing on class-level augmentation and catering to unique characteristics of each class with increasing precision of classification on undersampled classes, which leads to lower mortality rates associated with breast cancer. The paper aims to ease the duties of the medical specialist by operating multiclass classification and categorizing the image into benign or one of four different malignant types of breast cancers.
• Abstract（参考訳）: 乳癌は女性の間でも最も一般的ながんであり、男性にも見られ、毎年10の新しい癌診断のうち1つ以上を占めている。 また、がんで死亡する女性の2番目に多い原因でもある。 そのため、早期発見と治療が必要である。 早期発見は適切な治療スケジュールと患者ベースの治療スケジュールを提供する。 さらに、早期検出は嚢胞の種類を提供することもできる。 本稿では、クラスレベルのデータ拡張を採用し、アンダーサンプルクラスに対処し、検出率を高める。 ヘマトキシリンおよびエオシン染色画像に対する構造保存染色正規化手法のクラスレベルのデータ拡張と、転移学習による乳癌画像のマルチクラス分類によるトランスフォーマーベースのViTNetアーキテクチャである。 この合併により、乳がん画像の高度な画像処理および深層学習を、乳がんに関連する死亡率の低下につながるアンダーサンプル分類の精度を高めつつ、クラスレベルの増大と各クラス固有の特徴に焦点をあてることにより、良性または4つの異なる悪性サブタイプの1つとして分類することができる。 本研究の目的は,多クラス分類を運用し,画像を良性または4種類の悪性乳癌の1つに分類することで,医療専門家の業務を簡素化することである。

関連論文リスト

• 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)
• Improved Breast Cancer Diagnosis through Transfer Learning on Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
  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。
  論文  参考訳（メタデータ） (2023-09-15T20:16:17Z)
• 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)
• ViT-DeiT: An Ensemble Model for Breast Cancer Histopathological Images Classification [0.0]
  提案するアンサンブルモデルでは,乳がんの病理像を8つのクラスに分類する。 実験の結果、98.17%の精度、98.18%の精度、98.08%のリコール、98.12%のF1スコアが得られた。
  論文  参考訳（メタデータ） (2022-11-01T21:10:00Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Improving Specificity in Mammography Using Cross-correlation between Wavelet and Fourier Transform [0.0]
  乳がんの発生率は世界中で高いが、死亡率は継続的に減少している。 本稿では、離散ウェーブレット変換とフーリエ変換を適用して画像を解析する手法を検討する。
  論文  参考訳（メタデータ） (2022-01-20T00:49:33Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
  本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。 ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
  論文  参考訳（メタデータ） (2021-01-24T03:30:59Z)
• 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)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。