論文の概要: Deep Learning for Breast Cancer Detection: Comparative Analysis of ConvNeXT and EfficientNet

• arxiv url: http://arxiv.org/abs/2505.18725v1
• Date: Sat, 24 May 2025 14:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.619288
• Title: Deep Learning for Breast Cancer Detection: Comparative Analysis of ConvNeXT and EfficientNet
• Title（参考訳）: 乳癌検出のための深層学習:ConvNeXTと高能率Netの比較解析
• Authors: Mahmudul Hasan,
• Abstract要約: 本稿では2つの畳み込みニューラルネットワークを比較し,検診によるマンモグラムの癌の可能性を予測した。 ConvNeXTは94.33%のAUCスコア、93.36%の精度、95.13%のFスコア、92.34%のAUCスコア、91.47%の精度、93.06%のFスコアをRSNAスクリーニング乳がんデータセットで生成する。
• 参考スコア（独自算出の注目度）: 0.8158530638728501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is the most commonly occurring cancer worldwide. This cancer caused 670,000 deaths globally in 2022, as reported by the WHO. Yet since health officials began routine mammography screening in age groups deemed at risk in the 1980s, breast cancer mortality has decreased by 40% in high-income nations. Every day, a greater and greater number of people are receiving a breast cancer diagnosis. Reducing cancer-related deaths requires early detection and treatment. This paper compares two convolutional neural networks called ConvNeXT and EfficientNet to predict the likelihood of cancer in mammograms from screening exams. Preprocessing of the images, classification, and performance evaluation are main parts of the whole procedure. Several evaluation metrics were used to compare and evaluate the performance of the models. The result shows that ConvNeXT generates better results with a 94.33% AUC score, 93.36% accuracy, and 95.13% F-score compared to EfficientNet with a 92.34% AUC score, 91.47% accuracy, and 93.06% F-score on RSNA screening mammography breast cancer dataset.
• Abstract（参考訳）: 乳がんは世界中で最も多いがんである。 WHOによると、このがんは2022年に全世界で67万人の死者を出した。 しかし1980年代以降、乳がんの死亡率は高所得国で40%減少した。 毎日、より多くの人が乳がんの診断を受けています。 がんによる死亡率の低下は早期発見と治療を必要とする。 本稿では,コンブネXTとEfficientNetという2つの畳み込みニューラルネットワークを比較し,検診からマンモグラムにおける癌の可能性を予測する。 画像の事前処理、分類、性能評価は、プロセス全体の主要な部分である。 モデルの性能を比較し評価するために、いくつかの評価指標が用いられた。 その結果、ConvNeXTは94.33%のAUCスコア、93.36%の精度、95.13%のFスコアで、EfficientNetは92.34%のAUCスコア、91.47%の精度、93.06%のFスコアをRSNAスクリーニング乳がんデータセットで生成した。

関連論文リスト

• Early Detection and Classification of Breast Cancer Using Deep Learning Techniques [0.0]
  WHOによると、乳がんは世界で最も致命的ながんの1つで、世界中で毎年大量の患者が死亡している。 乳がんの早期発見に自動化を使用することで、人工知能と機械学習技術は最良の結果を得るために実装できる。
  論文  参考訳（メタデータ） (2025-01-21T15:39:29Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Analysis of Transferred Pre-Trained Deep Convolution Neural Networks in Breast Masses Recognition [3.3686252536891454]
  乳腺X線像を良性または悪性と分類し, 術前訓練したCNNにおける層凍結の影響について検討した。 VGG19の冷凍第1ブロックの感度は95.64 %であり、VGG19全体のトレーニングは94.48%であった。
  論文  参考訳（メタデータ） (2024-12-23T20:16:45Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images [0.0]
  ディープニューラルネットワーク(Deep Neural Network, DNN)は、乳がんの検出精度を向上させるために一般的に用いられる。 病理組織像のデータセットを用いて,乳がん検出のための事前訓練深達度学習モデルの解析を行った。 転送学習モデルを解析した結果,ResNet50の精度は90.2%,曲線下面積(AUC)は90.0%,リコール率は94.7%,限界損失は3.5%であった。
  論文  参考訳（メタデータ） (2023-04-11T07:17:55Z)
• A deep learning algorithm for reducing false positives in screening mammography [1.914044679141325]
  この研究は、乳がんに不審でないマンモグラムを特定することによって、偽陽性を減らすAIアルゴリズムを実証する。 われわれは123,248個の2Dデジタルマンモグラム(6,161個の癌)を用いて癌の有無を判定するアルゴリズムを訓練し,14,831個の検診(1,026個のがん)を行った。
  論文  参考訳（メタデータ） (2022-04-13T23:37:40Z)
• 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)
• Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning [5.835732870341059]
  本稿では,乳癌検出のための転写学習プロセスに焦点を当てた。 本稿では,改良VGG 16,残差ネットワーク,移動ネットワークを提案し,実装した。
  論文  参考訳（メタデータ） (2020-03-23T05:16:34Z)

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。