論文の概要: Harnessing Transformers: A Leap Forward in Lung Cancer Image Detection
- arxiv url: http://arxiv.org/abs/2311.09942v1
- Date: Thu, 16 Nov 2023 14:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 13:53:43.700358
- Title: Harnessing Transformers: A Leap Forward in Lung Cancer Image Detection
- Title（参考訳）: Harnessing Transformers: 肺癌画像診断の飛躍
- Authors: Amine Bechar, Youssef Elmir, Rafik Medjoudj, Yassine Himeur and Abbes
Amira
- Abstract要約: 本稿では,画像解析に基づくがん検出におけるトランスファーラーニング(TL)とトランスフォーマーの役割について論じる。
人工知能(AI)分野のトレンドとして,患者の体内における癌細胞の同定が注目されている。
- 参考スコア（独自算出の注目度）: 2.8927500190704567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper discusses the role of Transfer Learning (TL) and transformers in
cancer detection based on image analysis. With the enormous evolution of cancer
patients, the identification of cancer cells in a patient's body has emerged as
a trend in the field of Artificial Intelligence (AI). This process involves
analyzing medical images, such as Computed Tomography (CT) scans and Magnetic
Resonance Imaging (MRIs), to identify abnormal growths that may help in cancer
detection. Many techniques and methods have been realized to improve the
quality and performance of cancer classification and detection, such as TL,
which allows the transfer of knowledge from one task to another with the same
task or domain. TL englobes many methods, particularly those used in image
analysis, such as transformers and Convolutional Neural Network (CNN) models
trained on the ImageNet dataset. This paper analyzes and criticizes each method
of TL based on image analysis and compares the results of each method, showing
that transformers have achieved the best results with an accuracy of 97.41% for
colon cancer detection and 94.71% for Histopathological Lung cancer. Future
directions for cancer detection based on image analysis are also discussed.
- Abstract（参考訳）: 本稿では,画像解析に基づくがん検出におけるトランスファーラーニング(TL)とトランスフォーマーの役割について論じる。
がん患者の大きな進化とともに、患者の体内におけるがん細胞の同定は、人工知能(AI)分野のトレンドとして現れている。
このプロセスでは、CTスキャンやMRIなどの医療画像を分析して、がん検出に役立つ異常な成長を特定する。
TLのようながん分類と検出の質と性能を改善するために多くの技術や手法が実現され、同じタスクやドメインであるタスクから別のタスクに知識を移すことができる。
tlは、imagenetデータセットでトレーニングされたトランスフォーマーや畳み込みニューラルネットワーク(cnn)モデルなど、画像解析で使用される多くの手法を包含する。
本稿では, 画像解析に基づいて各TL法を解析, 評価し, 比較した結果, 大腸癌検診では97.41%, 病理組織学的肺癌では94.71%の精度でトランスフォーマーが最善であることがわかった。
画像解析に基づくがん検出の今後の方向性についても論じる。
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) - Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation
classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。
本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文 参考訳（メタデータ） (2024-01-25T14:40:58Z) - Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA
fostered Lung Cancer Classification using CT Images [1.1510009152620668]
肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。
提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
論文 参考訳（メタデータ） (2023-12-05T10:53:35Z) - Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient
Network [37.931408083443074]
Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。
PLANは95%と96%の患者レベルの感度と特異性を達成している。
造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
論文 参考訳（メタデータ） (2023-07-17T06:21:45Z) - Invariant Scattering Transform for Medical Imaging [0.0]
不変散乱変換は、コンピュータビジョンのための深層学習と信号処理を融合させる新しい研究領域を導入する。
ディープラーニングアルゴリズムは、医療分野のさまざまな問題を解決することができる。
2020年のパンデミックの間、機械学習とディープラーニングは新型コロナウイルスを検出する上で重要な役割を担ってきた。
論文 参考訳（メタデータ） (2023-07-07T19:40:42Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - 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) - Comparison of different CNNs for breast tumor classification from
ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。
乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。
最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文 参考訳（メタデータ） (2020-12-28T22:54:08Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。