Fugu-MT 論文翻訳(概要): Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images

論文の概要: Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images

arxiv url: http://arxiv.org/abs/2408.00636v1
Date: Thu, 1 Aug 2024 15:20:20 GMT
ステータス: 処理完了
システム内更新日: 2024-08-04 20:16:43.400928
Title: Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images
Title（参考訳）: MRIを用いた脳腫瘍画像からの医用画像分類における深層学習
Authors: Xiaoyi Liu, Zhuoyue Wang,
Abstract要約: 脳腫瘍は世界で最も致命的な疾患の一つである。磁気共鳴イメージング(MRI)は、脳腫瘍を検出する最も効果的な方法の1つである。 MRIスキャンによる脳腫瘍の正確な検出は、多くの命を救う可能性があり、疾患の初期段階におけるより良い意思決定を促進するため、非常に重要である。
参考スコア（独自算出の注目度）: 1.6442870218029526
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain tumors are among the deadliest diseases in the world. Magnetic Resonance Imaging (MRI) is one of the most effective ways to detect brain tumors. Accurate detection of brain tumors based on MRI scans is critical, as it can potentially save many lives and facilitate better decision-making at the early stages of the disease. Within our paper, four different types of MRI-based images have been collected from the database: glioma tumor, no tumor, pituitary tumor, and meningioma tumor. Our study focuses on making predictions for brain tumor classification. Five models, including four pre-trained models (MobileNet, EfficientNet-B0, ResNet-18, and VGG16) and one new model, MobileNet-BT, have been proposed for this study.
Abstract（参考訳）: 脳腫瘍は世界で最も致命的な病気の1つである。磁気共鳴イメージング(MRI)は、脳腫瘍を検出する最も効果的な方法の1つである。 MRIスキャンによる脳腫瘍の正確な検出は、多くの命を救う可能性があり、疾患の初期段階におけるより良い意思決定を促進するため、非常に重要である。以上より, グリオーマ, 悪性腫瘍, 下垂体腫瘍, 髄膜腫の4種類のMRI画像がデータベースから収集された。本研究は脳腫瘍分類の予測に焦点をあてる。 4つの事前学習モデル(MobileNet、EfficientNet-B0、ResNet-18、VGG16)と1つの新しいモデルであるMobileNet-BTを含む5つのモデルが提案されている。

関連論文リスト

Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文参考訳（メタデータ） (2024-07-15T11:30:40Z)
Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文参考訳（メタデータ） (2024-02-29T18:57:39Z)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。評価対象は17の人体システムである。 GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。疾患の診断と包括的報告作成において重大な課題に直面している。
論文参考訳（メタデータ） (2023-10-15T18:32:27Z)
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)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
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)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model [3.6328238032703806]
我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。医師が脳腫瘍の効率的な診断を行うのを助ける。
論文参考訳（メタデータ） (2021-04-06T07:25:52Z)
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)

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。