乳房組織病理学のための画像レベル分類における転移学習とアンサンブル学習の応用【JST・京大機械翻訳】

Zheng Yuchao; Li Chen; Zhou Xiaomin; Chen Haoyuan; Xu Hao; Li Yixin; Zhang Haiqing; Li Xiaoyan; Sun Hongzan; Huang Xinyu; Grzegorzek Marcin

プレプリント

J-GLOBAL ID：202202201061147039 整理番号：22P0333599

乳房組織病理学のための画像レベル分類における転移学習とアンサンブル学習の応用【JST・京大機械翻訳】

Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (11件)： , , , , , , , , , ,
資料名：
発行年： 2022年04月18日プレプリントサーバーでの情報更新日： 2022年05月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

背景:乳癌は世界的に女性において最も高い罹患率を有する。乳癌とその組織病理学的画像の分類と診断は,常に臨床的懸念のホットスポットである。計算機支援診断(CAD)において,従来の分類モデルは,主に単一ネットワークを使用して特徴を抽出し,それは重要な限界を持っている。他方,多くのネットワークを訓練し,患者レベルデータセット上で最適化し,低レベルデータラベルの適用を無視した。方法:本論文では,乳房組織病理学的画像の良性および悪性病変の二値分類のための画像レベルラベルに基づく深いアンサンブルモデルを提案した。最初に,BreaKHisデータセットを訓練,検証および試験セットにランダムに分割した。次に,データ増強技術を用いて,良性および悪性サンプルの数のバランスをとる。第3に,転送学習の性能と各ネットワーク間の相補性を考慮して,VGG16,Xception,ResNet50,高密度NetNet20をベース分類器として選択した。結果:重みとして精度を有するアンサンブルネットワークモデルにおいて,画像レベル二値分類は98.90%の精度を達成した。著者らの方法の能力を検証するために,最新の変圧器と多層知覚(MLP)モデルを,同じデータセット上で実験的に比較した。著者らのモデルは,5%~20%の有利性を持ち,分類タスクにおけるアンサンブルモデルの遠い重要性を強調する。結論:本研究は,アンサンブルアルゴリズムによるモデル分類性能の改善に焦点を合わせる。転送学習は,小さなデータセットで重要な役割を果たし,訓練速度と精度を改善する。著者らのモデルは,精度において多くの既存のアプローチを凌駕し,補助医療診断の分野のための方法を提供した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

医用画像処理 , 腫ようの診断

, , , , ,

前のページに戻る