Osteosarcoma Tumor Detection using Transfer Learning Models

要約

臨床画像解析の分野では、計算の複雑さが軽減され、精度が向上するなどの理由から、転移学習モデルの適用が増えています。これらは、事前にトレーニングされたモデルであり、最初からトレーニングする必要がないため、大規模なデータセットが不要になります。
転移学習モデルは主に脳、乳房、肺の画像解析に使用されますが、特にこれらのタスクに利用できる大規模なデータセットが不足していることを考慮すると、骨髄細胞検出や骨がん検出などの他の分野でも転移学習モデルを使用することでメリットが得られます。
。
この論文では、骨肉腫腫瘍検出のためのいくつかの転移学習モデルのパフォーマンスを研究します。
骨肉腫は、主に体の長骨の細胞に見られる骨がんの一種です。
データセットは、生存可能な腫瘍、非生存可能な腫瘍、非腫瘍、および生存可能な非生存可能な腫瘍の 4 つのカテゴリに分類された H&E 染色画像で構成されています。
両方のデータセットは、80:20 の比率に従ってトレーニング セットとテスト セットにランダムに分割されました。
80% がトレーニングに使用され、20% がテストに使用されました。
比較対象として、EfficientNetB7、InceptionResNetV2、NasNetLarge、および ResNet50 の 4 つのモデルが考慮されます。
これらのモデルはすべて ImageNet で事前トレーニングされています。
結果によると、InceptionResNetV2 が最も高い精度 (93.29%) を達成し、続いて NasNetLarge (90.91%)、ResNet50 (89.83%)、EfficientNetB7 (62.77%) でした。
また、4 つのモデルの中で最も高い適合率 (0.8658) と再現率 (0.8658) の値も得られました。

要約(オリジナル)

The field of clinical image analysis has been applying transfer learning models increasingly due to their less computational complexity, better accuracy etc. These are pre-trained models that don’t require to be trained from scratch which eliminates the necessity of large datasets. Transfer learning models are mostly used for the analysis of brain, breast, or lung images but other sectors such as bone marrow cell detection or bone cancer detection can also benefit from using transfer learning models, especially considering the lack of available large datasets for these tasks. This paper studies the performance of several transfer learning models for osteosarcoma tumour detection. Osteosarcoma is a type of bone cancer mostly found in the cells of the long bones of the body. The dataset consists of H&E stained images divided into 4 categories- Viable Tumor, Non-viable Tumor, Non-Tumor and Viable Non-viable. Both datasets were randomly divided into train and test sets following an 80-20 ratio. 80% was used for training and 20\% for test. 4 models are considered for comparison- EfficientNetB7, InceptionResNetV2, NasNetLarge and ResNet50. All these models are pre-trained on ImageNet. According to the result, InceptionResNetV2 achieved the highest accuracy (93.29%), followed by NasNetLarge (90.91%), ResNet50 (89.83%) and EfficientNetB7 (62.77%). It also had the highest precision (0.8658) and recall (0.8658) values among the 4 models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google