論文の概要: Stool Recognition for Colorectal Cancer Detection through Deep Learning
- arxiv url: http://arxiv.org/abs/2410.17288v1
- Date: Sat, 19 Oct 2024 13:46:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:56:33.039851
- Title: Stool Recognition for Colorectal Cancer Detection through Deep Learning
- Title（参考訳）: 深層学習による大腸癌検出のためのスツール認識
- Authors: Glenda Hui En Tan, Goh Xin Ru Karin, Shen Bingquan,
- Abstract要約: 大腸癌はシンガポールで最も一般的ながんである。
通常、FABT(faecal occult blood test)によって検出される。
本研究では,スツールに血液が存在するかどうかを画像から判断するスツール認識ニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Colorectal cancer is the most common cancer in Singapore and the third most common cancer worldwide. Blood in a person's stool is a symptom of this disease, and it is usually detected by the faecal occult blood test (FOBT). However, the FOBT presents several limitations - the collection process for the stool samples is tedious and unpleasant, the waiting period for results is about 2 weeks and costs are involved. In this research, we propose a simple-to-use, fast and cost-free alternative - a stool recognition neural network that determines if there is blood in one's stool (which indicates a possible risk of colorectal cancer) from an image of it. As this is a new classification task, there was limited data available, hindering classifier performance. Hence, various Generative Adversarial Networks (GANs) (DiffAugment StyleGAN2, DCGAN, Conditional GAN) were trained to generate images of high fidelity to supplement the dataset. Subsequently, images generated by the GAN with the most realistic images (DiffAugment StyleGAN2) were concatenated to the classifier's training batch on-the-fly, improving accuracy to 94%. This model was then deployed to a mobile app - Poolice, where users can take a photo of their stool and obtain instantaneous results if there is blood in their stool, prompting those who do to seek medical advice. As "early detection saves lives", we hope our app built on our stool recognition neural network can help people detect colorectal cancer earlier, so they can seek treatment and have higher chances of survival.
- Abstract（参考訳）: 大腸癌はシンガポールで最も多いがんであり、世界でも3番目に多いがんである。
人のスツール内の血液は、この病気の症状であり、通常、毛細血管血検査(FOBT)によって検出される。
しかし、FOBTにはいくつかの制限がある。スツールサンプルの収集プロセスは退屈で不快であり、結果の待機期間は約2週間でコストがかかる。
本研究では,その画像からスツールに血液があるかどうかを判断するスツール認識ニューラルネットワークを提案する。
これは新しい分類タスクであるため、データは限られており、分類器のパフォーマンスを妨げていた。
そこで, 各種GAN(DiffAugment StyleGAN2, DCGAN, Conditional GAN)を訓練し, データセットを補完する高忠実度画像を生成する。
その後、最もリアルな画像(DiffAugment StyleGAN2)で生成した画像は、分類器のトレーニングバッチのオンザフライに連結され、精度は94%向上した。
このモデルはモバイルアプリのPooliceにデプロイされ、ユーザーはスツールの写真を撮って、スツールに血液がある場合はすぐに結果を得ることができ、医療アドバイスを求める人たちに促される。
早期発見が命を救う”ため、私たちのスツール認識ニューラルネットワーク上に構築されたアプリが、早期に大腸癌を検出するのに役立つことを願っています。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - Classification of Skin Cancer Images using Convolutional Neural Networks [0.0]
皮膚がんは最も一般的なヒト悪性腫瘍である。
ディープニューラルネットワークは、画像分類の謙虚な可能性を示している。
最も高いモデル精度は86.65%以上である。
論文 参考訳（メタデータ） (2022-02-01T17:11:41Z) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳（メタデータ） (2021-10-17T09:31:20Z) - 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) - Proposing method to Increase the detection accuracy of stomach cancer
based on colour and lint features of tongue using CNN and SVM [0.0]
舌の領域は、まず、深いRCNNカラーブラック Recursive Convolutional Neural Network (R-CNN)カラーブラックによって、顔画像から分離される。
以上の結果から, 提案法は舌の面積だけでなく, 非患者からの患者も正確に識別できることがわかった。
論文 参考訳（メタデータ） (2020-11-18T12:06:29Z) - Method to Classify Skin Lesions using Dermoscopic images [0.0]
皮膚がんは、がん患者の3分の1を構成する既存の世界でもっとも一般的ながんである。
そこで本研究では,CNN(Convolution Neural Networks)をトレーニングモデルとして,皮膚画像を用いた皮膚病変の自動分類モデルを開発した。
このモデルが達成できる最良の精度は0.886である。
論文 参考訳（メタデータ） (2020-08-21T10:58:33Z) - SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with
Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。
本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。
先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2020-05-30T16:01:31Z) - Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。
本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。
具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
論文 参考訳（メタデータ） (2020-03-15T11:46:00Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。