論文の概要: MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification
- arxiv url: http://arxiv.org/abs/2412.17700v1
- Date: Mon, 23 Dec 2024 16:31:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:52:21.611301
- Title: MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification
- Title(参考訳): MRANet: 肺癌と大腸癌の分類のための改良された残留注意ネットワーク
- Authors: Diponkor Bala, S M Rakib Ul Karim, Rownak Ara Rasul,
- Abstract要約: 肺癌と大腸癌は、がんの死亡率に大きく寄与する。
異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。
改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。
提案モデルの精度は99.30%,96.63%,97.56%であった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Lung and colon cancers are predominant contributors to cancer mortality. Early and accurate diagnosis is crucial for effective treatment. By utilizing imaging technology in different image detection, learning models have shown promise in automating cancer classification from histopathological images. This includes the histopathological diagnosis, an important factor in cancer type identification. This research focuses on creating a high-efficiency deep-learning model for identifying lung and colon cancer from histopathological images. We proposed a novel approach based on a modified residual attention network architecture. The model was trained on a dataset of 25,000 high-resolution histopathological images across several classes. Our proposed model achieved an exceptional accuracy of 99.30%, 96.63%, and 97.56% for two, three, and five classes, respectively; those are outperforming other state-of-the-art architectures. This study presents a highly accurate deep learning model for lung and colon cancer classification. The superior performance of our proposed model addresses a critical need in medical AI applications.
- Abstract(参考訳): 肺癌と大腸癌は、がんの死亡率に大きく寄与する。
早期かつ正確な診断は効果的な治療に不可欠である。
異なる画像検出に画像技術を活用することで、学習モデルは病理画像から癌分類を自動化することを約束している。
病理組織学的診断は癌型の同定に重要な要素である。
本研究は, 病理組織像から肺癌と大腸癌を同定するための高能率ディープラーニングモデルの構築に焦点をあてる。
改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。
このモデルは、いくつかのクラスにわたる25,000の高解像度の病理像のデータセットに基づいて訓練された。
提案モデルでは,2クラス,3クラス,5クラスの99.30%,96.63%,97.56%の精度を実現した。
本研究は,肺癌および大腸癌の分類における高精度深層学習モデルを提案する。
提案モデルの優れた性能は、医療用AIアプリケーションにおける重要なニーズに対処する。
関連論文リスト
- Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
UNIの特徴でトレーニングされた当社のトップパフォーマンスモデルでは,平均mAP/mMVスコアが96.7%/91.5%,97.6%/94.2%,BACHデータセットが97.6%/94.2%であった。
論文 参考訳(メタデータ) (2024-05-07T11:24:37Z) - MultiNet with Transformers: A Model for Cancer Diagnosis Using Images [8.686667049158476]
医用画像のマルチクラス分類のための独自のディープニューラルネットワーク設計を提供する。
データ収集機能を活用し,より正確な分類を行うために,トランスフォーマーをマルチクラスフレームワークに組み込んだ。
論文 参考訳(メタデータ) (2023-01-21T20:53:57Z) - Histopathological Imaging Classification of Breast Tissue for Cancer
Diagnosis Support Using Deep Learning Models [0.0]
ヘマトキシリンとエオシンはがん診断における金の標準であると考えられている。
病理画像(WSI)を複数のパッチに分割するアイデアに基づいて,左から右へスライドし,上から下へスライドするウィンドウ[512,512]を,400イメージのデータセット上の拡張データに対して,各スライディングステップが50%重なり合うように使用した。
EffficientNetモデルは、高解像度の画像のトレーニングに適した、固定されたスケーリング要素のセットで、ネットワークの幅、深さ、解像度を均一にスケーリングする、最近開発されたモデルである。
論文 参考訳(メタデータ) (2022-07-03T13:56:44Z) - 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) - 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) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳(メタデータ) (2021-04-06T02:01:43Z) - 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) - Transfer Learning by Cascaded Network to identify and classify lung
nodules for cancer detection [3.5068701342301547]
既存の肺結節同定のためのディープラーニングアーキテクチャは、多数のパラメータを持つ複雑なアーキテクチャを用いていた。
本研究はCT画像に基づいて良性または悪性の肺結節を正確に分類・分類できるカスケードアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-09-24T10:35:46Z) - Convolution Neural Networks for diagnosing colon and lung cancer
histopathological images [0.0]
本研究の目的は, 肺扁平上皮癌および肺腺癌および結腸腺癌を畳み込み神経ネットワークを用いて診断するためのコンピュータ支援診断システムを提案することである。
クラス毎に5000枚の画像を含むLC25000データセットから、合計2500枚のデジタル画像が取得された。
診断精度は97%以上,96%以上であった。
論文 参考訳(メタデータ) (2020-09-08T17:36:24Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - 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。