Fugu-MT 論文翻訳(概要): Gallbladder Cancer Detection in Ultrasound Images based on YOLO and Faster R-CNN

論文の概要: Gallbladder Cancer Detection in Ultrasound Images based on YOLO and Faster R-CNN

arxiv url: http://arxiv.org/abs/2404.15129v1
Date: Tue, 23 Apr 2024 15:29:02 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 13:32:19.093066
Title: Gallbladder Cancer Detection in Ultrasound Images based on YOLO and Faster R-CNN
Title（参考訳）: YOLOと高速R-CNNを用いた超音波画像における胆嚢癌検出
Authors: Sara Dadjouy, Hedieh Sajedi,
Abstract要約: 本研究では, 超音波画像から胆嚢検出のためのより正確な境界ボックスを選択するために, YOLOとFaster R-CNNの利点について検討した。本研究では,両手法の利点を活かした融合法について述べる。提案手法は,Faster R-CNNとYOLOv8の個別使用と比較して,92.62%の精度で優れた分類性能を示した。
参考スコア（独自算出の注目度）: 4.450536872346658
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Medical image analysis is a significant application of artificial intelligence for disease diagnosis. A crucial step in this process is the identification of regions of interest within the images. This task can be automated using object detection algorithms. YOLO and Faster R-CNN are renowned for such algorithms, each with its own strengths and weaknesses. This study aims to explore the advantages of both techniques to select more accurate bounding boxes for gallbladder detection from ultrasound images, thereby enhancing gallbladder cancer classification. A fusion method that leverages the benefits of both techniques is presented in this study. The proposed method demonstrated superior classification performance, with an accuracy of 92.62%, compared to the individual use of Faster R-CNN and YOLOv8, which yielded accuracies of 90.16% and 82.79%, respectively.
Abstract（参考訳）: 医用画像解析は、人工知能の疾患診断への重要な応用である。このプロセスにおける重要なステップは、画像内の関心領域を特定することである。このタスクはオブジェクト検出アルゴリズムを使って自動化することができる。 YOLOとFaster R-CNNは、それぞれ独自の長所と短所を持つアルゴリズムで有名である。本研究の目的は, 超音波画像から胆嚢検出のためのより正確な境界ボックスを選択することであり, 胆嚢癌分類の精度を高めることである。本研究では,両手法の利点を活かした融合法について述べる。提案手法は,90.16%,82.79%の精度で精度92.62%,Faster R-CNNとYOLOv8の個別使用と比較して優れた分類性能を示した。

関連論文リスト

Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文参考訳（メタデータ） (2024-10-20T19:02:41Z)
Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文参考訳（メタデータ） (2022-09-03T09:27:00Z)
An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。提案手法の性能を2073個のMRI画像で検証する実験を行った。性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
論文参考訳（メタデータ） (2022-06-08T14:29:06Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
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)
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)
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)
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)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。