論文の概要: EfficientNet with Hybrid Attention Mechanisms for Enhanced Breast Histopathology Classification: A Comprehensive Approach
- arxiv url: http://arxiv.org/abs/2410.22392v2
- Date: Mon, 04 Nov 2024 09:56:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:48:53.146203
- Title: EfficientNet with Hybrid Attention Mechanisms for Enhanced Breast Histopathology Classification: A Comprehensive Approach
- Title(参考訳): ハイブリット・アテンション・メカニズムを用いた乳腺病理組織分類 : 包括的アプローチ
- Authors: Naren Sengodan,
- Abstract要約: 本稿では,ハイブリット・エフィシエント・ネットモデルと高度な注意機構を統合し,特徴抽出を強化し,重要な画像領域に焦点を当てた新しいアプローチを提案する。
利用可能な病理組織学データセットを用いて,複数の拡大スケールでモデルの性能を評価する。
その結果, 精度, F1スコア, 精度, リコールなどの指標を用いて評価し, 診断精度を向上させる上での本モデルの有効性を実証した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Breast cancer histopathology image classification is crucial for early cancer detection, offering the potential to reduce mortality rates through timely diagnosis. This paper introduces a novel approach integrating Hybrid EfficientNet models with advanced attention mechanisms, including Convolutional Block Attention Module (CBAM), Self-Attention, and Deformable Attention, to enhance feature extraction and focus on critical image regions. We evaluate the performance of our models across multiple magnification scales using publicly available histopathological datasets. Our method achieves significant improvements, with accuracy reaching 98.42% at 400X magnification, surpassing several state-of-the-art models, including VGG and ResNet architectures. The results are validated using metrics such as accuracy, F1-score, precision, and recall, demonstrating the clinical potential of our model in improving diagnostic accuracy. Furthermore, the proposed method shows increased computational efficiency, making it suitable for integration into real-time diagnostic workflows.
- Abstract(参考訳): 乳がんの病理組織像分類は早期がん発見に不可欠であり、タイムリー診断によって死亡率を低下させる可能性がある。
本稿では,進化的ブロック注意モジュール(CBAM, Self-Attention, Deformable Attention)などの高度な注意機構を組み込んだハイブリッドネットワークモデルを提案する。
病理組織学的データセットを用いて,複数の拡大スケールでモデルの性能を評価する。
提案手法は,400倍の精度で98.42%の精度を実現し,VGGやResNetアーキテクチャなどの最先端モデルを上回る精度を実現している。
その結果, 精度, F1スコア, 精度, リコールなどの指標を用いて評価し, 診断精度を向上させる上での本モデルの有効性を実証した。
さらに,提案手法は計算効率の向上を図り,リアルタイム診断ワークフローへの統合に適している。
関連論文リスト
- Lung Disease Detection with Vision Transformers: A Comparative Study of Machine Learning Methods [0.0]
本研究では,機械学習における最先端アーキテクチャであるビジョントランスフォーマー(ViT)の胸部X線解析への応用について検討する。
胸部X線像と肺分画領域に焦点を当てた2つのViT法の比較検討を行った。
論文 参考訳(メタデータ) (2024-11-18T08:40:25Z) - Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks [0.0]
本研究では,特徴抽出のためのDenseNet201と分類のためのニューラルネットワーク(DNN)を組み合わせた新しいハイブリッドディープラーニングフレームワークを提案する。
提案手法は99.33%の精度を達成し,精度とモデル解釈性の両方を著しく改善した。
論文 参考訳(メタデータ) (2024-10-09T15:12:35Z) - Comparative Analysis of Transfer Learning Models for Breast Cancer Classification [10.677937909900486]
本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。
ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
論文 参考訳(メタデータ) (2024-08-29T18:49:32Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳(メタデータ) (2024-07-02T16:44:00Z) - Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。
病理像を良性群と悪性群に迅速かつ自動分類することができる。
本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
論文 参考訳(メタデータ) (2024-04-12T07:08:05Z) - Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis
from 3D OCT Imaging [1.8416014644193066]
本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。
我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。
大規模データセットに対する実験結果から,提案手法の最先端手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-03-08T22:25:15Z) - Sample Less, Learn More: Efficient Action Recognition via Frame Feature
Restoration [59.6021678234829]
本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。
提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
論文 参考訳(メタデータ) (2023-07-27T13:52:42Z) - Accurate Detection of Paroxysmal Atrial Fibrillation with Certified-GAN
and Neural Architecture Search [1.1744028458220426]
発作性心房細動(PxAF)検出のための新しい機械学習フレームワークを提案する。
このフレームワークにはGAN(Generative Adversarial Network)とNAS(Neural Architecture Search)が含まれている。
実験の結果,提案手法の精度は99%と高い値を示した。
論文 参考訳(メタデータ) (2023-01-17T14:04:17Z) - 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) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳(メタデータ) (2021-08-21T16:15:40Z) - 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)
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。