view in publisher's site

Multi-label Transfer Learning for the Early Diagnosis of Breast Cancer. Neurocomputing

Early diagnosis of breast cancer, when it is small and has not spread, can make the disease easier to treat which increases the patient's chances of survival. The recent proposed methods for the early diagnosis of breast cancer, and while showing great success in achieving this goal, rely on one of the indicators in the mammogram to diagnose the patient's condition. Whether it is identifying differences in shapes and patterns of the findings (i.e. masses, calcifications,…etc.) or assessing the breast density as a risk indicator, these Computer-aided Diagnosis (CAD) systems by using single-label classification, fail to exploit the intrinsic useful correlation information among data from correlated domains.Rather than learning to identify the disease based on one of the indicators, we propose the joint learning of the tasks using multi-label image classification. Furthermore, we introduce a new fine-tuning strategy for using transfer learning, that takes advantage of the end-to-end image representation learning when adapting the pre-trained Convolutional Neural Network (CNN) to the new task. We also propose a customized label decision scheme, adapted to this problem, which estimates the optimal confidence for each visual concept. We demonstrate the effectiveness of our approach on four benchmark datasets, CBIS-DDSM, BCDR, INBreast and MIAS, obtaining better results compared to other commonly used baselines.

آموزش انتقال چند برچسب برای تشخیص اولیه سرطان سینه. Neurocomputing

تشخیص زودهنگام سرطان سینه، زمانی که کوچک است و پخش نشده است، می‌تواند این بیماری را برای درمان آسان‌تر کند که احتمال زنده ماندن آن‌ها را افزایش می‌دهد. روش‌های پیشنهادی اخیر برای تشخیص زودهنگام سرطان پستان، و در حالی که موفقیت بزرگ در دستیابی به این هدف را نشان می‌دهند، بر یکی از شاخص‌ها در the برای تشخیص وضعیت patient's تکیه دارند. این تشخیص با کمک کامپیوتر (CAD)با استفاده از طبقه‌بندی چند برچسب، از اطلاعات همبستگی مفید ذاتی بین داده‌ها از طریق یادگیری برای شناسایی بیماری مبتنی بر یکی از شاخص‌ها استفاده می‌کند، ما آموزش مشترک وظایف با استفاده از طبقه‌بندی تصویر چند برچسب را پیشنهاد می‌کنیم. علاوه بر این، ما یک استراتژی تنظیم فاین آرت را برای استفاده از یادگیری انتقال معرفی می‌کنیم، که از یادگیری نمایش تصویر نهایی به پایان در هنگام تطبیق شبکه عصبی convolutional قبل از آموزش (سی ان ان)به وظیفه جدید استفاده می‌کند. ما همچنین یک طرح تصمیم برچسب سفارشی را پیشنهاد می‌کنیم که با این مشکل تطبیق داده می‌شود، که نشان‌دهنده اعتماد بهینه برای هر مفهوم بصری است. ما اثربخشی رویکرد خود را بر روی چهار مجموعه داده معیار، CBIS - DDSM، BCDR، INBreast و mias نشان دادیم و نتایج بهتری را در مقایسه با baselines های مرسوم مورد استفاده قرار دادیم.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.