論文の概要: Cancer Cell Classification using Deep Learning

• arxiv url: http://arxiv.org/abs/2410.16519v1
• Date: Mon, 21 Oct 2024 21:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:12.595092
• Title: Cancer Cell Classification using Deep Learning
• Title（参考訳）: 深層学習を用いたがん細胞分類
• Authors: Praneeth Kumar T, Nidhi Srivastava, Rakshith Mahishi, Chayadevi M L,
• Abstract要約: 悪性腫瘍には良性腫瘍と悪性腫瘍の2種類がある。 今日のオンライン環境で生産されるデータのほとんどは、医療やソーシャルメディアに関連するウェブサイトから来ている。 本研究は, 細菌細胞を種々の深層学習アルゴリズムを用いて良性又は癌性に分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the current technological era, the medical profession has emerged as one of the researchers' favorite subject areas, and cancer is one of them. Because there is now no effective treatment for this illness, it is a matter of concern. Only if this disease is discovered early may patients be rescued (stage I and stage II). The likelihood of survival is quite low if it is discovered in later stages (stages III and IV). The application of machine learning, deep learning, and data mining techniques in the medical industry has the potential to address current issues and bring benefits. Numerous symptoms of cancer exist, including tumors, unusual bleeding, increased weight loss, etc. It is not necessary for all tumor types to be cancerous. There are two sorts of tumors: benign and malignant. To give patients, the right care, symptoms must be carefully examined, and an automated system is to distinguish between benign and malignant tumors. Most data produced in today's online environment comes from websites related to healthcare or social media. Using data mining techniques, it is possible to extract symptoms from this vast amount of data, which will be helpful for identifying or classifying cancer. This research classifies bacteria cells as benign or cancerous using various deep-learning Algorithms. To get the best and most reliable results for the classification, a variety of methodologies and models are trained and improved.
• Abstract（参考訳）: 現在の技術時代には、医学は研究者の好きな分野の一つとして現れており、その1つが癌である。 現在、この病気の効果的な治療は行われていないため、問題となっている。 この病気が早期に発見された場合のみ、患者は救われる(ステージIとステージII)。 後段(III期、IV期)で発見された場合、生存可能性は極めて低い。 医療産業における機械学習、ディープラーニング、データマイニング技術の応用は、現在の問題に対処し、利益をもたらす可能性がある。 腫瘍、異常出血、体重減少などの多くのがん症状が存在する。 すべての腫瘍が癌である必要はない。 悪性腫瘍には良性腫瘍と悪性腫瘍の2種類がある。 患者に適切なケア、症状を慎重に検査し、良性腫瘍と悪性腫瘍を区別する。 今日のオンライン環境で生産されるデータのほとんどは、医療やソーシャルメディアに関連するウェブサイトから来ている。 データマイニング技術を使用することで、この膨大な量のデータから症状を抽出し、がんの特定や分類に役立てることができる。 本研究は,各種深層学習アルゴリズムを用いて細菌細胞を良性又は癌性と分類する。 分類の最良の、最も信頼性の高い結果を得るために、様々な方法論とモデルが訓練され、改善されている。

関連論文リスト

• 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)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning: A comparative review [0.0]
  腫瘍や組織を早期に検出する上で,大幅な改善が見られた。 画像における大きな相違点に関連するがん研究の課題について論じる。 肺・乳癌・皮膚がんの分野では,いくつかの顕著な結果が得られている。
  論文  参考訳（メタデータ） (2022-10-19T19:30:56Z)
• 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)
• 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)
• Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning [0.951828574518325]
  浸潤性管癌の死因は女性で2番目に多い。 特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。 本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-26T14:14:45Z)
• 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)
• Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data [0.0]
  我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。 The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
  論文  参考訳（メタデータ） (2020-09-12T18:51:47Z)
• A Study of Deep Learning Colon Cancer Detection in Limited Data Access Scenarios [6.338265282525758]
  分類と検出のためのディープラーニング手法は、大きな可能性を示しているが、多くの場合、大量のトレーニングデータを必要とする。 多くのがんタイプにおいて、データの不足はDLモデルをトレーニングするための障壁を生み出す。 リンパ節データが少ない,あるいはほとんどない癌転移を検出できることを示し,既存の注釈組織学的データが他の領域に一般化できる可能性を示した。
  論文  参考訳（メタデータ） (2020-05-20T19:28:07Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。