論文の概要: An Artificial Intelligence Model for Early Stage Breast Cancer Detection from Biopsy Images
- arxiv url: http://arxiv.org/abs/2505.20332v1
- Date: Sat, 24 May 2025 09:11:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.178504
- Title: An Artificial Intelligence Model for Early Stage Breast Cancer Detection from Biopsy Images
- Title（参考訳）: 生検画像からの早期乳癌検出のための人工知能モデル
- Authors: Neil Chaudhary, Zaynah Dhunny,
- Abstract要約: 本稿では,乳がんのタイプ識別を支援する人工知能ツールを提案する。
提案モデルは、良性組織と悪性組織を区別するために、畳み込みニューラルネットワーク(CNN)アーキテクチャを利用する。
このようなデータセットの実験結果は、モデルの有効性を示し、精度、精度、リコール、F1スコアの点で、既存のソリューションよりも優れています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate identification of breast cancer types plays a critical role in guiding treatment decisions and improving patient outcomes. This paper presents an artificial intelligence enabled tool designed to aid in the identification of breast cancer types using histopathological biopsy images. Traditionally additional tests have to be done on women who are detected with breast cancer to find out the types of cancer it is to give the necessary cure. Those tests are not only invasive but also delay the initiation of treatment and increase patient burden. The proposed model utilizes a convolutional neural network (CNN) architecture to distinguish between benign and malignant tissues as well as accurate subclassification of breast cancer types. By preprocessing the images to reduce noise and enhance features, the model achieves reliable levels of classification performance. Experimental results on such datasets demonstrate the model's effectiveness, outperforming several existing solutions in terms of accuracy, precision, recall, and F1-score. The study emphasizes the potential of deep learning techniques in clinical diagnostics and offers a promising tool to assist pathologists in breast cancer classification.
- Abstract（参考訳）: 乳がんの正確な診断は、治療の決定を導き、患者の結果を改善する上で重要な役割を担っている。
本稿では,病理組織学的生検画像を用いた乳がんのタイプ同定を支援する人工知能ツールを提案する。
伝統的に、乳がんで検出された女性に対して、必要な治療法を与えるためのがんの種類を調べるために、追加の検査を行う必要がある。
これらの検査は侵襲的なだけでなく、治療の開始を遅らせ、患者の負担を増大させる。
提案モデルは,良性組織と悪性組織を区別する畳み込みニューラルネットワーク(CNN)アーキテクチャと,乳癌の正確な亜分類を利用する。
画像の事前処理によりノイズを低減し、特徴を高めることにより、信頼性の高い分類性能が得られる。
このようなデータセットの実験結果は、モデルの有効性を示し、精度、精度、リコール、F1スコアの点で、既存のソリューションよりも優れています。
この研究は、臨床診断における深層学習の可能性を強調し、乳がん分類における病理学者を支援するための有望なツールを提供する。
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) - Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-31T15:21:34Z) - 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) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - Breast Cancer Classification Based on Histopathological Images Using a
Deep Learning Capsule Network [0.0]
本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。
本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。
結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
論文 参考訳（メタデータ） (2022-08-01T03:45:36Z) - Breast Cancer Classification using Deep Learned Features Boosted with
Handcrafted Features [0.0]
早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。
本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。
提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
論文 参考訳（メタデータ） (2022-06-26T07:54:09Z) - 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) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文 参考訳（メタデータ） (2021-01-24T03:30:59Z) - 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。