論文の概要: A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection
- arxiv url: http://arxiv.org/abs/2409.06699v1
- Date: Tue, 10 Sep 2024 17:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 16:23:35.045951
- Title: A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection
- Title（参考訳）: 乳がん検出のための深部畳み込みニューラルネットワーク,トランスファーラーニングおよびアンサンブルモデルに関する研究
- Authors: Md Taimur Ahad, Sumaya Mustofa, Faruk Ahmed, Yousuf Rayhan Emon, Aunirudra Dey Anu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.5748316361772963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In deep learning, transfer learning and ensemble models have shown promise in improving computer-aided disease diagnosis. However, applying the transfer learning and ensemble model is still relatively limited. Moreover, the ensemble model's development is ad-hoc, overlooks redundant layers, and suffers from imbalanced datasets and inadequate augmentation. Lastly, significant Deep Convolutional Neural Networks (D-CNNs) have been introduced to detect and classify breast cancer. Still, very few comparative studies were conducted to investigate the accuracy and efficiency of existing CNN architectures. Realising the gaps, this study compares the performance of D-CNN, which includes the original CNN, transfer learning, and an ensemble model, in detecting breast cancer. The comparison study of this paper consists of comparison using six CNN-based deep learning architectures (SE-ResNet152, MobileNetV2, VGG19, ResNet18, InceptionV3, and DenseNet-121), a transfer learning, and an ensemble model on breast cancer detection. Among the comparison of these models, the ensemble model provides the highest detection and classification accuracy of 99.94% for breast cancer detection and classification. However, this study also provides a negative result in the case of transfer learning, as the transfer learning did not increase the accuracy of the original SE-ResNet152, MobileNetV2, VGG19, ResNet18, InceptionV3, and DenseNet-121 model. The high accuracy in detecting and categorising breast cancer detection using CNN suggests that the CNN model is promising in breast cancer disease detection. This research is significant in biomedical engineering, computer-aided disease diagnosis, and ML-based disease detection.
- Abstract（参考訳）: ディープラーニングでは、トランスファーラーニングとアンサンブルモデルにより、コンピュータ支援型疾患診断の改善が期待されている。
しかし,伝達学習とアンサンブルモデルの適用は比較的限られている。
さらに、アンサンブルモデルの開発はアドホックであり、冗長なレイヤを見落とし、不均衡なデータセットと不十分な拡張に悩まされている。
最後に、乳がんを検出し分類するために重要なディープ畳み込みニューラルネットワーク(D-CNN)が導入されている。
それでも、既存のCNNアーキテクチャの精度と効率を調査するための比較研究はほとんど行われていない。
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。
本稿では,CNNに基づく6つのディープラーニングアーキテクチャ(SE-ResNet152,MobileNetV2,VGG19,ResNet18,InceptionV3,DenseNet-121)と転移学習,乳がん検出のためのアンサンブルモデルを用いて比較を行った。
これらのモデルの比較の中で、アンサンブルモデルが最も高い検出精度と分類精度が99.94%である。
しかし, 転送学習では, 元のSE-ResNet152, MobileNetV2, VGG19, ResNet18, InceptionV3, DenseNet-121モデルの精度は向上しなかった。
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。
本研究は, バイオメディカルエンジニアリング, コンピュータ支援型疾患診断, MLベースの疾患検出において重要である。
関連論文リスト
- 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) - DVS: Blood cancer detection using novel CNN-based ensemble approach [7.13230591574577]
早期に検出された場合のみ、適切な診断が可能である。
本研究では,最新の畳み込みニューラルネットワーク(CNN)による血液悪性腫瘍の検出と分類の有効性について検討した。
アンサンブルDVSモデルは、血液がんの検出と分類に最適である。
論文 参考訳（メタデータ） (2024-09-12T09:16:24Z) - A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network [6.648024246537002]
本研究は、新しいアンサンブルモデルDIXを開発し、血液がんを検出し分類する。
統計学的結果から、DIXはオリジナルとトランスファーの学習性能より優れており、99.12%の精度が得られたことが示唆されている。
CNNを用いた血液がんの検出と分類の精度は、CNNモデルが血液がんの検出に有望であることを示唆している。
論文 参考訳（メタデータ） (2024-09-10T17:53:47Z) - 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) - Comparative Analysis of Deep Learning Architectures for Breast Cancer
Diagnosis Using the BreaKHis Dataset [0.0]
本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。
その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。
InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
論文 参考訳（メタデータ） (2023-09-02T19:02:50Z) - 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) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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) - Artificial Neural Network Based Breast Cancer Screening: A Comprehensive
Review [0.0]
本稿では,マンモグラフィによる乳癌の診断のための人工ニューラルネットワークモデルに関する文献を体系的にレビューする。
スパイキングニューラルネットワーク(SNN)、ディープ信頼ネットワーク(DBN)、畳み込みニューラルネットワーク(CNN)、多層ニューラルネットワーク(MLNN)、スタックドオートエンコーダ(SAE)、スタックドデノイズオートエンコーダ(SDAE)など、さまざまなANNモデルの利点と限界について述べる。
論文 参考訳（メタデータ） (2020-05-29T17:13:51Z)
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。