論文の概要: Comparative Analysis of Transfer Learning Models for Breast Cancer Classification
- arxiv url: http://arxiv.org/abs/2408.16859v1
- Date: Thu, 29 Aug 2024 18:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 17:18:55.780904
- Title: Comparative Analysis of Transfer Learning Models for Breast Cancer Classification
- Title（参考訳）: 乳癌分類における転写学習モデルの比較分析
- Authors: Sania Eskandari, Ali Eslamian, Qiang Cheng,
- Abstract要約: 本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。
ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
- 参考スコア（独自算出の注目度）: 10.677937909900486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classification of histopathological images is crucial for the early and precise detection of breast cancer. This study investigates the efficiency of deep learning models in distinguishing between Invasive Ductal Carcinoma (IDC) and non-IDC in histopathology slides. We conducted a thorough comparison examination of eight sophisticated models: ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, and SqueezeNet. This analysis was carried out using a large dataset of 277,524 image patches. Our research makes a substantial contribution to the field by offering a comprehensive assessment of the performance of each model. We particularly highlight the exceptional efficacy of attention-based mechanisms in the ViT model, which achieved a remarkable validation accuracy of 93\%, surpassing conventional convolutional networks. This study highlights the promise of advanced machine learning approaches in clinical settings, offering improved precision as well as efficiency in breast cancer diagnosis.
- Abstract（参考訳）: 病理組織像の分類は乳がんの早期かつ正確な診断に不可欠である。
本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。
ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
この分析は277,524の画像パッチを用いて行った。
本研究は,各モデルの性能を総合的に評価することで,この分野に多大な貢献をしている。
特に,従来の畳み込みネットワークを超越した,93%の顕著な検証精度を達成したViTモデルにおいて,注目に基づくメカニズムの異常な有効性を強調した。
本研究は, 臨床現場における高度な機械学習アプローチの可能性を強調し, 乳がん診断における精度の向上と効率性について検討した。
関連論文リスト
- EfficientNet with Hybrid Attention Mechanisms for Enhanced Breast Histopathology Classification: A Comprehensive Approach [0.0]
本稿では,ハイブリット・エフィシエント・ネットモデルと高度な注意機構を統合し,特徴抽出を強化し,重要な画像領域に焦点を当てた新しいアプローチを提案する。
利用可能な病理組織学データセットを用いて,複数の拡大スケールでモデルの性能を評価する。
その結果, 精度, F1スコア, 精度, リコールなどの指標を用いて評価し, 診断精度を向上させる上での本モデルの有効性を実証した。
論文 参考訳（メタデータ） (2024-10-29T17:56:05Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection [2.5748316361772963]
本研究は、乳がん検出におけるオリジナルのCNN、転写学習、アンサンブルモデルを含むD-CNNの性能を比較した。
アンサンブルモデルは、乳がんの検出と分類において99.94%の最も高い検出と分類の精度を提供する。
CNNを用いた乳癌の検出と分類の精度は,CNNモデルが乳癌の診断に有効であることを示唆している。
論文 参考訳（メタデータ） (2024-09-10T17:58:21Z) - Convolutional Neural Networks for Predictive Modeling of Lung Disease [34.1086022278394]
Pro-HRnet-CNNは、HRNetとヴォイド畳み込み技術を組み合わせた革新的なモデルである。
従来の ResNet-50 と比較すると,Pro-HRnet-CNN は小型ノジュールの特徴抽出と認識において優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-08T01:58:46Z) - Multi-Resolution Histopathology Patch Graphs for Ovarian Cancer Subtyping [2.0661578265672094]
マルチレゾリューショングラフモデルは、パッチの空間的関係を複数の倍率で利用し、各パッチのコンテキストを学習する。
卵巣癌に対するグラフモデルの最も徹底的な検証を行う。
基礎モデルとマルチレゾリューショングラフネットワークの組み合わせの精度は、これらのモデルの臨床的適用性への一歩となる。
論文 参考訳（メタデータ） (2024-07-25T15:08:54Z) - A Comprehensive Evaluation of Histopathology Foundation Models for Ovarian Cancer Subtype Classification [1.9499122087408571]
病理組織学の基礎モデルは、多くのタスクにまたがる大きな約束を示している。
これまでで最も厳格な単一タスクによる病理組織学的基盤モデルの検証を報告した。
病理組織学的基盤モデルは卵巣がんの亜型化に明確な利益をもたらす。
論文 参考訳（メタデータ） (2024-05-16T11:21:02Z) - Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。
実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
論文 参考訳（メタデータ） (2024-04-14T12:09:47Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳（メタデータ） (2023-11-13T19:51:46Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳（メタデータ） (2023-08-09T02:04:05Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z)
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。