論文の概要: Robust Brain MRI Image Classification with SIBOW-SVM
- arxiv url: http://arxiv.org/abs/2311.08908v1
- Date: Wed, 15 Nov 2023 12:26:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 16:11:17.886317
- Title: Robust Brain MRI Image Classification with SIBOW-SVM
- Title（参考訳）: SIBOW-SVMを用いたロバスト脳MRI画像分類
- Authors: Liyun Zeng and Hao Helen Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3597551064547502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The majority of primary Central Nervous System (CNS) tumors in the brain are
among the most aggressive diseases affecting humans. Early detection of brain
tumor types, whether benign or malignant, glial or non-glial, is critical for
cancer prevention and treatment, ultimately improving human life expectancy.
Magnetic Resonance Imaging (MRI) stands as the most effective technique to
detect brain tumors by generating comprehensive brain images through scans.
However, human examination can be error-prone and inefficient due to the
complexity, size, and location variability of brain tumors. Recently, automated
classification techniques using machine learning (ML) methods, such as
Convolutional Neural Network (CNN), have demonstrated significantly higher
accuracy than manual screening, while maintaining low computational costs.
Nonetheless, deep learning-based image classification methods, including CNN,
face challenges in estimating class probabilities without proper model
calibration. In this paper, we propose a novel brain tumor image classification
method, called SIBOW-SVM, which integrates the Bag-of-Features (BoF) model with
SIFT feature extraction and weighted Support Vector Machines (wSVMs). This new
approach effectively captures hidden image features, enabling the
differentiation of various tumor types and accurate label predictions.
Additionally, the SIBOW-SVM is able to estimate the probabilities of images
belonging to each class, thereby providing high-confidence classification
decisions. We have also developed scalable and parallelable algorithms to
facilitate the practical implementation of SIBOW-SVM for massive images. As a
benchmark, we apply the SIBOW-SVM to a public data set of brain tumor MRI
images containing four classes: glioma, meningioma, pituitary, and normal. Our
results show that the new method outperforms state-of-the-art methods,
including CNN.
- Abstract（参考訳）: 脳の中枢神経系(cns)腫瘍の大部分は、ヒトに影響を与える最も攻撃的な疾患である。
脳腫瘍の早期発見(良性、悪性、グリア、非グリア)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。
磁気共鳴イメージング(MRI)は、スキャンを通し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。
しかし、人間の検査は脳腫瘍の複雑さ、大きさ、位置変動のため、エラーを起こしやすく、非効率である。
近年,畳み込みニューラルネットワーク(cnn)などの機械学習(ml)手法を用いた自動分類手法が,計算コストを低く抑えつつ,手動スクリーニングよりも高い精度を示している。
それにもかかわらず、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。
この新しいアプローチは、隠れた画像の特徴を効果的に捉え、様々な腫瘍タイプの分化と正確なラベル予測を可能にする。
さらに、SIBOW-SVMは、各クラスに属する画像の確率を推定することができ、高い信頼性の分類決定を提供する。
また,大規模画像に対するSIBOW-SVMの実装を容易にするために,スケーラブルで並列性の高いアルゴリズムを開発した。
ベンチマークとして,sibw-svmをグリオーマ,髄膜腫,下垂体,正常の4クラスを含む脳腫瘍mri画像の公開データセットに適用した。
その結果,新しい手法はcnnを含む最先端手法よりも優れていることがわかった。
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) - 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) - 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) - Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection [0.0]
本研究では、畳み込みニューラルネットワーク(CNN)と極勾配増強(XGBoost)を組み合わせた脳腫瘍早期検出モデルを提案する。
C-XGBoostという名前のモデルでは、純粋にCNNよりもモデルの複雑さが低く、トレーニングが容易で、過度に適合する傾向が低い。
また、実際の医用画像分類タスクにおいて一般的な問題である、不均衡データや非構造データを扱うことも可能である。
論文 参考訳（メタデータ） (2023-01-05T22:25:28Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - 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) - Brain Tumors Classification for MR images based on Attention Guided Deep
Learning Model [3.6328238032703806]
我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。
腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。
医師が脳腫瘍の効率的な診断を行うのを助ける。
論文 参考訳（メタデータ） (2021-04-06T07:25:52Z) - 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)
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。