論文の概要: Stacking-Enhanced Bagging Ensemble Learning for Breast Cancer Classification with CNN

• arxiv url: http://arxiv.org/abs/2407.10574v1
• Date: Mon, 15 Jul 2024 09:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 15:40:56.927805
• Title: Stacking-Enhanced Bagging Ensemble Learning for Breast Cancer Classification with CNN
• Title（参考訳）: CNNを用いた乳癌分類のためのスタッキング強化バッグアンサンブル学習
• Authors: Peihceng Wu, Runze Ma, Teoh Teik Toe,
• Abstract要約: 本稿では,乳がん分類のためのBaggingおよびスタックングアンサンブル学習手法に基づくCNN分類ネットワークを提案する。 このモデルは入力画像の高速かつ正確な分類を行うことができる。 二項分類(乳がんの有無)では、精度は98.84%に達し、5級分類では98.34%に達した。
• 参考スコア（独自算出の注目度）: 0.24578723416255752
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper proposes a CNN classification network based on Bagging and stacking ensemble learning methods for breast cancer classification. The model was trained and tested on the public dataset of DDSM. The model is capable of fast and accurate classification of input images. According to our research results, for binary classification (presence or absence of breast cancer), the accuracy reached 98.84%, and for five-class classification, the accuracy reached 98.34%. The model also achieved a micro-average recall rate of 94.80% and an F1 score of 94.19%. In comparative experiments, we compared the effects of different values of bagging_ratio and n_models on the model, as well as several methods for ensemble bagging models. Furthermore, under the same parameter settings, our BSECNN outperformed VGG16 and ResNet-50 in terms of accuracy by 8.22% and 6.33% respectively.
• Abstract（参考訳）: 本稿では,乳がん分類のためのBaggingおよびスタックングアンサンブル学習手法に基づくCNN分類ネットワークを提案する。 このモデルはDDSMの公開データセットでトレーニングされ、テストされた。 このモデルは入力画像の高速かつ正確な分類を行うことができる。 以上の結果から, 2値分類では98.84%, 5値分類では98.34%であった。 また、マイクロ平均リコール率は94.80%、F1スコアは94.19%に達した。 比較実験では, モデルに対するバギング_ratioとn_modelの異なる値の影響と, アンサンブルバギングモデルに対するいくつかの手法を比較した。 さらに、同じパラメータ設定で、我々のBSECNNはVGG16とResNet-50をそれぞれ8.22%と6.33%の精度で上回った。

関連論文リスト

• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• Comparative study of Deep Learning Models for Binary Classification on Combined Pulmonary Chest X-ray Dataset [0.0]
  DenseNet 121, DenseNet 169, DenseNet 201, EffecientNet b0, EffecientNet lite4, GoogleNet, MobileNet, ResNet18。 肺胸部X線画像データセットでは,他のモデルと異なる性能を示した。
  論文  参考訳（メタデータ） (2023-09-16T11:58:04Z)
• Application of Quantum Pre-Processing Filter for Binary Image Classification with Small Samples [1.2965700352825555]
  提案する量子前処理フィルタ(QPF)のバイナリ画像分類への応用について検討した。 MNIST(手書き桁)、EMNIST(手書き桁とアルファベット)、CIFAR-10(写真画像)、GTSRB(実生活交通標識画像)の4つのデータセットでQPFを評価した。
  論文  参考訳（メタデータ） (2023-08-28T23:08:32Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Alexa Teacher Model: Pretraining and Distilling Multi-Billion-Parameter Encoders for Natural Language Understanding Systems [63.713297451300086]
  本研究では,700Mから9.3Bまでの非埋め込みパラメータ数を持つ事前学習エンコーダの大規模実験結果について述べる。 その後、17M-170Mパラメータからより小さなモデルに蒸留し、仮想アシスタントシステムの自然言語理解(NLU)コンポーネントに応用した。
  論文  参考訳（メタデータ） (2022-06-15T20:44:23Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• 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)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• Convolutional Neural Networks in Multi-Class Classification of Medical Data [0.9137554315375922]
  深層学習(CNN)と浅い学習モデル(Gradient Boosting)を組み合わせたアンサンブルモデルを紹介します。 本手法は,本研究で達成した最高3クラス分類精度である64.93の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-28T02:04:38Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。