論文の概要: Fuzzy Logic-Based System for Brain Tumour Detection and Classification
- arxiv url: http://arxiv.org/abs/2401.14414v1
- Date: Sun, 21 Jan 2024 01:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-04 05:42:23.929535
- Title: Fuzzy Logic-Based System for Brain Tumour Detection and Classification
- Title（参考訳）: ファジィ論理を用いた脳腫瘍検出・分類システム
- Authors: NVSL Narasimham, Keshav Kumar K
- Abstract要約: 脳腫瘍(BT)は非常に危険で治療が難しい。
現在、医師は手動で画像を調べ、BTを診断するために腫瘍領域をマークアウトする必要がある。
本研究では,BTを分類するファジィ論理に基づくシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Brain Tumours (BT) are extremely dangerous and difficult to treat. Currently,
doctors must manually examine images and manually mark out tumour regions to
diagnose BT; this process is time-consuming and error-prone. In recent times,
experts have proposed automating approaches for detecting BT at an early stage.
The poor accuracy and highly incorrect prediction results of these methods
caused them to start the research. In this study, we suggest a fuzzy
logic-based system for categorising BT. This study used a dataset of 253
Magnetic Resonance Imaging (MRI) brain images that included tumour and healthy
images. The images were first pre-processed. After that, we pull out features
like tumour size and the image's global threshold value. The watershed and
region-growing approach is used to calculate the tumour size. After that, the
fuzzy system receives the two features as input. Accuracy, F1-score, precision,
and recall are used to assess the results of the fuzzy by employing both size
determination approaches. With the size input variable discovered by the region
growth method and global threshold values, the fuzzy system outperforms the
watershed method. The significance of this research lies in its potential to
revolutionize brain tumour diagnosis by offering a more accurate and efficient
automated classification system. By reducing human intervention and providing
reliable results, this approach could assist medical professionals in making
timely and precise decisions, leading to improved patient outcomes and
potentially saving lives. The advancement of such automated techniques has the
potential to pave the way for enhanced medical imaging analysis and,
ultimately, better management of brain tumour cases.
- Abstract（参考訳）: 脳腫瘍(BT)は非常に危険で治療が難しい。
現在、医師は手作業で画像を調べ、btを診断するために腫瘍領域を手動でマークする必要がある。
近年、専門家はBTを早期に検出するための自動化アプローチを提案している。
これらの手法の精度が悪く、非常に誤った予測結果が原因で研究が開始された。
本研究では,BTを分類するファジィ論理に基づくシステムを提案する。
この研究では、腫瘍や健康な画像を含む253個の磁気共鳴画像(MRI)のデータセットを使用しました。
画像は最初に前処理された。
その後、腫瘍の大きさや画像のグローバルしきい値などの機能を抽出します。
流域および地域成長アプローチは、腫瘍の大きさを計算するために用いられる。
その後、ファジィシステムは2つの特徴を入力として受け取る。
両方のサイズ決定手法を用いてファジィの結果を評価するために、精度、F1スコア、精度、リコールを用いる。
地域成長法とグローバルしきい値によって大きさ入力変数が検出され、ファジィシステムは流域法を上回る。
この研究の意義は、より正確で効率的な自動分類システムを提供することで、脳腫瘍の診断に革命をもたらす可能性にある。
人間の介入を減らし、信頼できる結果を提供することで、このアプローチは、タイムリーで正確な意思決定を行う医療専門家を支援し、患者の結果を改善し、命を救える可能性がある。
このような自動化技術の進歩は、医療画像解析の強化と、最終的には脳腫瘍のより良い管理の道を開く可能性がある。
関連論文リスト
- Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - 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) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - 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) - Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of
Human Brain WholeTumor Segmentation [2.869946954477617]
医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。
脳腫瘍は早期に検出された場合、悪性または良性であることが多い。
本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T23:44:16Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳（メタデータ） (2020-02-26T14:10:40Z)
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。