CEIMVEN: An Approach of Cutting Edge Implementation of Modified Versions of EfficientNet (V1-V2) Architecture for Breast Cancer Detection and Classification from Ultrasound Images

要約

乳がんは間違いなく、世界中で最も蔓延している恐ろしいがんの 1 つであることは明らかです。
毎年何百万人もの女性がその影響を受けています。
乳がんは依然として女性の死亡の最大の原因となっている主要ながんである。
最近の研究では、医用画像コンピューティングと処理が、ディープ ニューラル ネットワークの神聖なタッチとともに、超音波画像やマンモグラムから乳がんを検出および分類する上で重要な役割を果たしています。
この研究では、EfficientNet アーキテクチャのさまざまな最先端の修正バージョン、すなわち CEIMVEN と名付けられた超音波画像を備えた EfficientNet-V1 (b0-b7) および EfficientNet-V2 (b0-b3) の厳密な実装と反復結果分析に主に焦点を当てました。
。
ここでは、EfficientNet バージョンの事前トレーニング済みモデルを使用するために転移学習アプローチを利用しました。
私たちはハイパーパラメータ調整手順を有効にし、完全に接続された層を追加し、前例のない異常値を破棄し、カスタムで修正された EfficientNet アーキテクチャからの精度結果を記録しました。
当社の深層学習モデルのトレーニング アプローチは、関心領域 (ROI) 技術と複数の分類 (良性、悪性、正常) によるがんの影響を受けた領域の特定の両方に関連していました。
EfficientNet-V1 の修正バージョンから得られたおおよそのテスト精度 (b0- 99.15%、b1- 98.58%、b2- 98.43%、b3- 98.01%、b4- 98.86%、b5- 97.72%、b6- 97.72%、
b7- 98.72%) と EfficientNet-V2 (b0- 99.29%、b1- 99.01%、b2- 98.72%、b3- 99.43%) は、乳房の検出と分類を成功させるための深層学習アプローチの非常に明るい未来と強力な可能性を示しています。
超音波画像から非常に早期の段階でがんを発見します。

要約(オリジナル)

Undoubtedly breast cancer identifies itself as one of the most widespread and terrifying cancers across the globe. Millions of women are getting affected each year from it. Breast cancer remains the major one for being the reason of largest number of demise of women. In the recent time of research, Medical Image Computing and Processing has been playing a significant role for detecting and classifying breast cancers from ultrasound images and mammograms, along with the celestial touch of deep neural networks. In this research, we focused mostly on our rigorous implementations and iterative result analysis of different cutting-edge modified versions of EfficientNet architectures namely EfficientNet-V1 (b0-b7) and EfficientNet-V2 (b0-b3) with ultrasound image, named as CEIMVEN. We utilized transfer learning approach here for using the pre-trained models of EfficientNet versions. We activated the hyper-parameter tuning procedures, added fully connected layers, discarded the unprecedented outliers and recorded the accuracy results from our custom modified EfficientNet architectures. Our deep learning model training approach was related to both identifying the cancer affected areas with region of interest (ROI) techniques and multiple classifications (benign, malignant and normal). The approximate testing accuracies we got from the modified versions of EfficientNet-V1 (b0- 99.15%, b1- 98.58%, b2- 98.43%, b3- 98.01%, b4- 98.86%, b5- 97.72%, b6- 97.72%, b7- 98.72%) and EfficientNet-V2 (b0- 99.29%, b1- 99.01%, b2- 98.72%, b3- 99.43%) are showing very bright future and strong potentials of deep learning approach for the successful detection and classification of breast cancers from the ultrasound images at a very early stage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google