論文の概要: Deep Ensembling with Multimodal Image Fusion for Efficient Classification of Lung Cancer

• arxiv url: http://arxiv.org/abs/2502.00078v1
• Date: Fri, 31 Jan 2025 13:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:06.051547
• Title: Deep Ensembling with Multimodal Image Fusion for Efficient Classification of Lung Cancer
• Title（参考訳）: 肺癌の高能率分類のためのマルチモーダル画像融合による深層化
• Authors: Surochita Pal, Sushmita Mitra,
• Abstract要約: この研究で使用されるデータは、CT(Computed Tomography)とPET(Positron Emission Tomography)画像である。 提案手法は,主成分分析(PCA)とオートエンコーダを用いてPETとCT画像の融合を実現する。 新しいアンサンブルベースの分類器であるDeep Ensembled Multimodal Fusion (DEMF) は、サンプル画像の分類に多数決を採用した。
• 参考スコア（独自算出の注目度）: 0.07366405857677226
• License:
• Abstract: This study focuses on the classification of cancerous and healthy slices from multimodal lung images. The data used in the research comprises Computed Tomography (CT) and Positron Emission Tomography (PET) images. The proposed strategy achieves the fusion of PET and CT images by utilizing Principal Component Analysis (PCA) and an Autoencoder. Subsequently, a new ensemble-based classifier developed, Deep Ensembled Multimodal Fusion (DEMF), employing majority voting to classify the sample images under examination. Gradient-weighted Class Activation Mapping (Grad-CAM) employed to visualize the classification accuracy of cancer-affected images. Given the limited sample size, a random image augmentation strategy employed during the training phase. The DEMF network helps mitigate the challenges of scarce data in computer-aided medical image analysis. The proposed network compared with state-of-the-art networks across three publicly available datasets. The network outperforms others based on the metrics - Accuracy, F1-Score, Precision, and Recall. The investigation results highlight the effectiveness of the proposed network.
• Abstract（参考訳）: 本研究は,マルチモーダル肺画像から癌および健康スライスを分類することに焦点を当てた。 この研究で使用されるデータは、CT(Computed Tomography)とPET(Positron Emission Tomography)画像である。 提案手法は,主成分分析(PCA)とオートエンコーダを用いてPETとCT画像の融合を実現する。 その後、新しいアンサンブルベースの分類器、Deep Ensembled Multimodal Fusion (DEMF) が開発され、検査中のサンプル画像の分類に多数決が採用された。 Grad-CAM (Grad-CAM) を用いて, がん影響画像の分類精度を可視化した。 サンプルサイズが限られているため、トレーニング段階ではランダムな画像増強戦略が採用された。 DEMFネットワークは、コンピュータ支援医療画像解析における不足データの課題を軽減するのに役立つ。 提案したネットワークは、3つの公開データセットにわたる最先端のネットワークと比較される。 ネットワークは、正確性、F1スコア、精度、リコールなど、メトリクスに基づいて他よりも優れています。 研究結果は,提案ネットワークの有効性を浮き彫りにした。

関連論文リスト

• MM-UNet: A Mixed MLP Architecture for Improved Ophthalmic Image Segmentation [3.2846676620336632]
  眼科画像分割は眼疾患の診断において重要な基礎となる。 トランスフォーマーベースのモデルはこれらの制限に対処するが、かなりの計算オーバーヘッドをもたらす。 本稿では,眼内画像分割に適したMixedモデルであるMM-UNetを紹介する。
  論文  参考訳（メタデータ） (2024-08-16T08:34:50Z)
• CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
  肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。 提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。 また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
  論文  参考訳（メタデータ） (2024-07-18T01:42:00Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Conversion Between CT and MRI Images Using Diffusion and Score-Matching Models [7.745729132928934]
  本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。 以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。 本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
  論文  参考訳（メタデータ） (2022-09-24T23:50:54Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
  The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。 そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-10T15:18:56Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。