論文の概要: From Images to Insights: Transforming Brain Cancer Diagnosis with Explainable AI
- arxiv url: http://arxiv.org/abs/2501.05426v1
- Date: Thu, 09 Jan 2025 18:35:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 13:58:56.875567
- Title: From Images to Insights: Transforming Brain Cancer Diagnosis with Explainable AI
- Title（参考訳）: 画像から洞察へ:説明可能なAIで脳がんの診断を変換する
- Authors: Md. Arafat Alam Khandaker, Ziyan Shirin Raha, Salehin Bin Iqbal, M. F. Mridha, Jungpil Shin,
- Abstract要約: 本研究はバングラデシュの脳腫瘍MRIデータセットを,脳腫瘍,脳グリオーマ,脳髄質の3つのカテゴリに分類した6,056個のMRI画像を含む。
DenseNet169は、精度、精度、リコール、F1-Scoreは全て0.9983に達した。
- 参考スコア（独自算出の注目度）: 1.939732664561742
- License:
- Abstract: Brain cancer represents a major challenge in medical diagnostics, requisite precise and timely detection for effective treatment. Diagnosis initially relies on the proficiency of radiologists, which can cause difficulties and threats when the expertise is sparse. Despite the use of imaging resources, brain cancer remains often difficult, time-consuming, and vulnerable to intraclass variability. This study conveys the Bangladesh Brain Cancer MRI Dataset, containing 6,056 MRI images organized into three categories: Brain Tumor, Brain Glioma, and Brain Menin. The dataset was collected from several hospitals in Bangladesh, providing a diverse and realistic sample for research. We implemented advanced deep learning models, and DenseNet169 achieved exceptional results, with accuracy, precision, recall, and F1-Score all reaching 0.9983. In addition, Explainable AI (XAI) methods including GradCAM, GradCAM++, ScoreCAM, and LayerCAM were employed to provide visual representations of the decision-making processes of the models. In the context of brain cancer, these techniques highlight DenseNet169's potential to enhance diagnostic accuracy while simultaneously offering transparency, facilitating early diagnosis and better patient outcomes.
- Abstract（参考訳）: 脳がんは、医学的診断において大きな課題であり、効果的な治療に必要不可欠な正確かつタイムリーな検出である。
診断は当初、放射線技師の熟練度に依存しており、専門知識が不足すると困難と脅威を引き起こす可能性がある。
画像資源の使用にもかかわらず、脳がんはしばしば困難であり、時間を費やし、クラス内の変動に弱い。
本研究はバングラデシュの脳腫瘍MRIデータセットを,脳腫瘍,脳グリオーマ,脳髄質の3つのカテゴリに分類した6,056個のMRI画像を含む。
このデータセットはバングラデシュのいくつかの病院から収集され、多様で現実的なサンプルを提供している。
我々は先進的なディープラーニングモデルを実装し、DenseNet169は精度、精度、リコール、F1-Scoreは全て0.9983に達した。
さらに、モデルの意思決定プロセスの視覚的表現を提供するために、GradCAM、GradCAM++、ScoreCAM、LayerCAMといった説明可能なAI(XAI)メソッドが採用された。
脳がんの文脈において、これらの技術はDenseNet169の診断精度を高めると同時に、透明性を提供し、早期診断を容易にし、患者のより良い結果をもたらす可能性を強調している。
関連論文リスト
- Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。
医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。
本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
論文 参考訳（メタデータ） (2024-07-15T11:30:40Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。
データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。
実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-29T13:33:21Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - 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) - QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。
私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
論文 参考訳（メタデータ） (2020-12-22T23:16:43Z) - 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) - Deep Convolutional Neural Networks Model-based Brain Tumor Detection in
Brain MRI Images [0.0]
我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。
本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
論文 参考訳（メタデータ） (2020-10-03T07:42:17Z)
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。