論文の概要: GroupMixer: Patch-based Group Convolutional Neural Network for Breast
Cancer Detection from Histopathological Images
- arxiv url: http://arxiv.org/abs/2311.09846v1
- Date: Thu, 16 Nov 2023 12:19:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 14:18:19.023587
- Title: GroupMixer: Patch-based Group Convolutional Neural Network for Breast
Cancer Detection from Histopathological Images
- Title（参考訳）: GroupMixer: 病理画像からの乳癌検出のためのパッチベースグループ畳み込みニューラルネットワーク
- Authors: Ardavan Modarres, Erfan Ebrahim Esfahani, Mahsa Bahrami
- Abstract要約: 畳み込みニューラルネットワーク(CNN)はコンピュータビジョン領域において支配的なアーキテクチャである。
本稿では、完全畳み込みニューラルネットワークアーキテクチャとパッチ埋め込み操作を統合するという、以前に導入されたアイデアを借用する。
他の手法よりもはるかに小さいパラメータの数にもかかわらず、精度は97.65%、98.92%、99.21%、98.01%をそれぞれ40倍、100倍、200倍、400倍の倍率で達成した。
- 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: Diagnosis of breast cancer malignancy at the early stages is a crucial step
for controlling its side effects. Histopathological analysis provides a unique
opportunity for malignant breast cancer detection. However, such a task would
be tedious and time-consuming for the histopathologists. Deep Neural Networks
enable us to learn informative features directly from raw histopathological
images without manual feature extraction. Although Convolutional Neural
Networks (CNNs) have been the dominant architectures in the computer vision
realm, Transformer-based architectures have shown promising results in
different computer vision tasks. Although harnessing the capability of
Transformer-based architectures for medical image analysis seems interesting,
these architectures are large, have a significant number of trainable
parameters, and require large datasets to be trained on, which are usually rare
in the medical domain. It has been claimed and empirically proved that at least
part of the superior performance of Transformer-based architectures in Computer
Vision domain originates from patch embedding operation. In this paper, we
borrowed the previously introduced idea of integrating a fully Convolutional
Neural Network architecture with Patch Embedding operation and presented an
efficient CNN architecture for breast cancer malignancy detection from
histopathological images. Despite the number of parameters that is
significantly smaller than other methods, the accuracy performance metrics
achieved 97.65%, 98.92%, 99.21%, and 98.01% for 40x, 100x, 200x, and 400x
magnifications respectively. We took a step forward and modified the
architecture using Group Convolution and Channel Shuffling ideas and reduced
the number of trainable parameters even more with a negligible decline in
performance and achieved 95.42%, 98.16%, 96.05%, and 97.92% accuracy for the
mentioned magnifications respectively.
- Abstract（参考訳）: 早期乳癌の悪性度診断は、その副作用を制御するための重要なステップである。
病理組織学的解析は悪性乳癌の検出にユニークな機会を提供する。
しかし、そのような作業は、病理学者にとって退屈で時間がかかります。
ディープニューラルネットワークは,手動による特徴抽出なしに生の病理像から直接情報的特徴を学習することができる。
畳み込みニューラルネットワーク(cnns)はコンピュータビジョンの分野で支配的なアーキテクチャであるが、トランスフォーマーベースのアーキテクチャは異なるコンピュータビジョンタスクで有望な結果を示している。
Transformerベースのアーキテクチャの機能を医療画像分析に活用することは興味深いように思われるが、これらのアーキテクチャは大規模で、トレーニング可能なパラメータが多数あり、医療領域ではまれな大規模なデータセットを必要とする。
コンピュータビジョン領域におけるTransformerベースのアーキテクチャの性能の少なくとも一部は、パッチ埋め込み操作に由来すると主張され実証されている。
本稿では,以前紹介した完全畳み込み型ニューラルネットワークアーキテクチャとパッチ埋め込み操作を統合するアイデアを借用し,病理組織像から乳癌の悪性度を検出するための効率的なcnnアーキテクチャを提案する。
他の手法よりもはるかに小さいパラメータの数にもかかわらず、精度は97.65%、98.92%、99.21%、98.01%でそれぞれ40倍、100倍、200倍、400倍になった。
我々は、Group ConvolutionとChannel Shufflingのアイデアを使ってアーキテクチャを改良し、トレーニング可能なパラメータの数をさらに減らし、パフォーマンスが無視できるほど低下し、それぞれ95.42%、98.16%、96.05%、97.92%の精度を達成した。
関連論文リスト
- Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。
我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。
このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
論文 参考訳（メタデータ） (2024-10-29T13:54:08Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - 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) - Hybrid guiding: A multi-resolution refinement approach for semantic
segmentation of gigapixel histopathological images [0.7490318169877296]
セマンティックセグメンテーションのための、H2G-Netと呼ばれるカスケード畳み込みニューラルネットワーク設計を提案する。
設計にはパッチワイズ方式による検出段階と、畳み込みオートエンコーダを用いた改良段階が含まれる。
最高の設計は90 WSIの独立したテストセットでDiceスコア0.933を達成した。
論文 参考訳（メタデータ） (2021-12-07T02:31:29Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2020-11-13T16:04:39Z) - Boosted EfficientNet: Detection of Lymph Node Metastases in Breast
Cancer Using Convolutional Neural Network [6.444922476853511]
The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。
そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2020-10-10T15:18:56Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。