論文の概要: Deep Transfer Learning for Breast Cancer Classification

• arxiv url: http://arxiv.org/abs/2409.15313v1
• Date: Thu, 5 Sep 2024 15:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:05:48.759215
• Title: Deep Transfer Learning for Breast Cancer Classification
• Title（参考訳）: 乳癌分類のためのディープトランスファー学習
• Authors: Prudence Djagba, J. K. Buwa Mbouobda,
• Abstract要約: ディープトランスファー学習は、乳癌の分類を改善するための有望な手法として登場した。 本研究では,VGG,ViT,Resnetを用いて浸潤性直腸癌 (IDC) 画像の分類を行った。 その結果、Resnet-34は90.40%の精度でがん画像の分類が可能となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is a major global health issue that affects millions of women worldwide. Classification of breast cancer as early and accurately as possible is crucial for effective treatment and enhanced patient outcomes. Deep transfer learning has emerged as a promising technique for improving breast cancer classification by utilizing pre-trained models and transferring knowledge across related tasks. In this study, we examine the use of a VGG, Vision Transformers (ViT) and Resnet to classify images for Invasive Ductal Carcinoma (IDC) cancer and make a comparative analysis of the algorithms. The result shows a great advantage of Resnet-34 with an accuracy of $90.40\%$ in classifying cancer images. However, the pretrained VGG-16 demonstrates a higher F1-score because there is less parameters to update. We believe that the field of breast cancer diagnosis stands to benefit greatly from the use of deep transfer learning. Transfer learning may assist to increase the accuracy and accessibility of breast cancer screening by allowing deep learning models to be trained with little data.
• Abstract（参考訳）: 乳がんは世界中で何百万人もの女性に影響を及ぼす世界的な健康問題である。 乳がんをできるだけ早く正確に分類することは、効果的な治療と患者結果の増強に不可欠である。 深層移動学習は、事前訓練されたモデルを活用し、関連するタスク間で知識を伝達することで、乳癌の分類を改善するための有望な手法として登場した。 本研究では,VGG,視覚変換器(ViT),Resnetを用いて,浸潤性直腸癌(IDC)の画像の分類を行い,その比較解析を行った。 この結果は、Resnet-34のがん画像の分類において、90.40 %の精度で大きな利点を示している。 しかしながら、事前訓練されたVGG-16は、更新すべきパラメータが少ないため、より高いF1スコアを示す。 乳がん診断の分野では, 深層移動学習が有用であると考えられる。 転移学習は、深層学習モデルを少ないデータで訓練することにより、乳がんスクリーニングの精度とアクセシビリティを高めるのに役立つ。

関連論文リスト

• Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
  転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。 本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:57:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
  本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。 本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
  論文  参考訳（メタデータ） (2024-03-14T16:35:43Z)
• Improved Breast Cancer Diagnosis through Transfer Learning on Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
  本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。 我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-09-15T20:16:17Z)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network [0.0]
  本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。 本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。 結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-08-01T03:45:36Z)
• 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)
• Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning [5.835732870341059]
  本稿では,乳癌検出のための転写学習プロセスに焦点を当てた。 本稿では,改良VGG 16,残差ネットワーク,移動ネットワークを提案し,実装した。
  論文  参考訳（メタデータ） (2020-03-23T05:16:34Z)

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。