論文の概要: Brain Tumor Classification on MRI in Light of Molecular Markers

• arxiv url: http://arxiv.org/abs/2409.19583v1
• Date: Sun, 29 Sep 2024 07:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:05:41.099784
• Title: Brain Tumor Classification on MRI in Light of Molecular Markers
• Title（参考訳）: 分子マーカーを用いたMRIの脳腫瘍分類
• Authors: Jun Liu, Geng Yuan, Weihao Zeng, Hao Tang, Wenbin Zhang, Xue Lin, XiaoLin Xu, Dong Huang, Yanzhi Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.77272414423481
• License:
• Abstract: In research findings, co-deletion of the 1p/19q gene is associated with clinical outcomes in low-grade gliomas. The ability to predict 1p19q status is critical for treatment planning and patient follow-up. This study aims to utilize a specially MRI-based convolutional neural network for brain cancer detection. Although public networks such as RestNet and AlexNet can effectively diagnose brain cancers using transfer learning, the model includes quite a few weights that have nothing to do with medical images. As a result, the diagnostic results are unreliable by the transfer learning model. To deal with the problem of trustworthiness, we create the model from the ground up, rather than depending on a pre-trained model. To enable flexibility, we combined convolution stacking with a dropout and full connect operation, it improved performance by reducing overfitting. During model training, we also supplement the given dataset and inject Gaussian noise. We use three--fold cross-validation to train the best selection model. Comparing InceptionV3, VGG16, and MobileNetV2 fine-tuned with pre-trained models, our model produces better results. On an validation set of 125 codeletion vs. 31 not codeletion images, the proposed network achieves 96.37\% percent F1-score, 97.46\% percent precision, and 96.34\% percent recall when classifying 1p/19q codeletion and not codeletion images.
• Abstract（参考訳）: 研究報告では,1p/19q遺伝子の同時欠失は低次グリオーマの臨床成績と関連している。 1p19qの状態を予測できる能力は、治療計画と患者の追跡に重要である。 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。 RestNetやAlexNetのような公開ネットワークは、転写学習を用いて脳がんを効果的に診断できるが、このモデルには医療画像とは無関係な重みが含まれている。 その結果、伝達学習モデルでは診断結果は信頼できない。 信頼性の問題に対処するため、事前訓練されたモデルに依存するのではなく、ゼロからモデルを作成する。 柔軟性を実現するため, オーバーフィッティングを低減し, コンボリューションスタックとドロップアウトとフル接続操作を併用し, 性能を向上した。 モデルトレーニング中、与えられたデータセットを補完し、ガウスノイズを注入する。 最適な選択モデルをトレーニングするために、3倍のクロスバリデーションを使用します。 InceptionV3,VGG16,MobileNetV2を事前学習モデルで微調整した場合と比較して,より優れた結果が得られる。 125のコードレプション対31の検証セットでは、コードレプション画像ではなく、1p/19qのコードレプションを分類すると96.37のF1スコア、97.46の精度、96.34のリコールを達成する。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network [18.497065020090062]
  この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。 深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
  論文  参考訳（メタデータ） (2022-04-26T13:20:42Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• COVID-19 Detection through Deep Feature Extraction [0.0]
  本研究は,ネットワークのバックボーンとして機能するResNet50を,ヘッドモデルとしてロジスティック回帰と組み合わせた,深い特徴抽出手法を用いた新しいアプローチを提案する。 提案モデルでは、新型コロナウイルスおよび正常X線画像クラスにおいて、100%のクロスバリデーション精度を実現する。
  論文  参考訳（メタデータ） (2021-11-21T08:32:08Z)
• Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
  本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-28T19:27:51Z)
• 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)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。