磁気共鳴画像を用いた脳腫瘍の分類とセグメンテーションのための畳み込みニューラルネットワークベースのフレームワーク

Summary

深層学習アルゴリズムは MRI で利用され、U-Net を使用して脳腫瘍の分類とセグメンテーションを実行しました。InceptionV3、DenseNet201、およびInception-ResNet-v2は、腫瘍の種類と悪性度の予測において優れた精度で実行されました。GPT-4.0 は、自動医療レポートの生成と診断支援のための拡張ハイブリッド モデルです。

Abstract

脳腫瘍の早期診断は、患者の予後と治療法の選択を最適化するために重要です。脳腫瘍の正確なセグメンテーションと分類は、専門的な治療技術を作成するために不可欠です。脳診断における MRI の利用が増加し、コンピューター ビジョン技術も向上するにつれて、MRI スキャンに基づいて腫瘍を特定および分類するための優れた効果的なモデルを持つことは依然として困難です。この問題に対処するために、著者らは、さまざまなデータセットから脳腫瘍をセグメント化して分類する深層学習ベースの技術を提案しました。画像の前処理では、モデルのパフォーマンスを向上させるために 9 つの拡張方法が使用されました。MRI のセグメンテーションは、U-Net モデルを使用して行われました。

InceptionV3 と DenseNet201 に基づいて開発された分類モデルは、腫瘍の存在を予測し、神経膠腫、髄膜腫、下垂体に分類します。InceptionV3 は 99.15% の精度で、腫瘍分類において DenseNet201 の 98.75% よりも高くなっています。追加の腫瘍分類は、Inception-ResNet-v2 に基づいて HGG および LGG としてクラスタリングすることによって実行されました。腫瘍グレード (1-4) は、Inception-ResNet-v2 によって 96.64% の精度で識別されます。自律システムは、ハイブリッド モデルと GPT-4.0 を統合してレポートを生成します。したがって、この新しいフレームワークは、MRI スキャンからキャプチャされた入力画像を利用して脳腫瘍を自動的に特定および分離するために使用する場合、診療所に非常に適しています。

Introduction

脳腫瘍は患者と家族の生活の質を著しく損なう可能性があり、米国で毎年治療されるがん¹⁰⁰ 件に 1 例を占める ^1,2,3。神経膠腫は、米国の人々の間で最も一般的な原発性脳腫瘍であり、発生率は 100,000 人あたり 6.5 人です。それらは、脳のニューロンに栄養を提供するグリア細胞であるアストロサイト、乏突起膠細胞、および上衣細胞で発生します。神経膠腫は、腫瘍内の影響を受けたグリア細胞とその遺伝的プロファイルに基づいてさまざまなタイプに分類され、腫瘍が時間の経過とともに受ける可能性のある挙動と、効果的である可能性が最も高い治療法を予測するのに役立つ可能性があります ^4,5,6。神経膠腫は、脳の機能を無効にし、その位置と成長速度に基づいて致死的になることさえあります。髄膜腫は、すべての原発性脳腫瘍の15〜20%を形成します。通常のスクリーニングにおける有病率は、一連の手術で 100 人に 1 人です。それらはくも膜キャップ細胞に由来すると考えられています。髄膜腫は、その位置に基づいて、良性から非常に攻撃的なものまで、幅広い行動を示します。彼らはさまざまな症状で現れますが、ほとんどの患者は無症候性のままです。

関連する症状や徴候は主に隣接する構造の圧迫によって引き起こされるため、運動発作、感覚障害、言語障害、嗅覚障害などの症状も現れることがあります。下垂体腫瘍は、神経膠腫および髄膜腫に次いで 3 番目に頻度の高い原発性頭蓋内腫瘍であり、切除されたすべての原発性脳腫瘍の約 10% を占めています。それらは、下垂体ホルモンの過剰分泌または分泌不足、下垂体茎の収縮、または周囲の構造、特に視交叉への影響により、さまざまな方法で発生する可能性があります。

標準的な脳CTスキャンと比較すると、MRI画像には大きな組織コントラスト範囲^{が含まれています7,8,9}。したがって、定期的な自動脳腫瘍セグメンテーション法の開発は、これらの患者を適切に診断および治療する上で最も重要です。したがって、脳腫瘍セグメンテーションのための信頼性の高い自動技術の開発は、これらの患者を適切に診断および治療する上で非常に重要です。これらのインテリジェントな方法は、脳神経外科医や放射線科医が腫瘍の体積と形状をより適切に評価し、腫瘍と隣接する正常組織の間の境界をより正確に定義するのに役立ちます。

機械学習は脳腫瘍の種類と存在を判断するのに有益である可能性がありますが、そのモデルは予測的であるため、より多くの人間の介入が必要です。対照的に、ディープラーニングモデルは、ニューラルネットワークのおかげで特徴を学習して検出することができ、これは完全に自動化された検出プロセス全体の核心となるでしょう。放射線科医向けに多くの機械学習 (ML) 手法が開発されており、MR 画像の認識と分類中に異常なビジョンが与えられます。がん検出のモダリティ全体のセグメントの中で最も効果的な方法は、医療画像によるものです。これらの方法論は、悪性新生物の特定と検出に役立ちます。この方法論は、他の医療行為に関連する侵襲的な性質を持たないため、非常に重要です。手順は侵襲的ではありません^10、11、12。この研究の目新しさは、MRI画像を使用して脳腫瘍の自動的、正確、効率的なマルチクラス分類と等級付けのための独自のDLベースのフレームワークを提供し、手動解釈の必要性を減らすことです。

著者らは、nLBPおよびLBP特徴抽出アプローチを使用した脳腫瘍分類モデルを提案しました。モデルは、最も一般的なタイプの脳腫瘍を正確に特徴付けました。KNN モデル¹¹ で特徴抽出スキーム nLBPD = 1 を使用して、最大精度 95.56% を達成しました。著者らは、X 線撮影におけるディープラーニング (DL) の臨床展開を調査し、この領域に関与する操作を文書化しました¹³。彼らは、いくつかの臨床分野における DL の臨床的意味を強調しました。DL は特定の放射線学的実施において満足のいく結果を示していますが、技術は未熟であり、放射線科医の診断専門職に取って代わることはできません¹⁴。DL アルゴリズムと放射線科医を組み合わせることで、診断の有効性と効率が向上します。MRI は、さまざまな研究デザインを通じて脳腫瘍の分類への応用の可能性について、数多くの研究で評価されてきました。

Afsharらは、腫瘍境界を適用することで、関心のある補助入力領域を備えた3,064枚の画像を使用して、主要な脳腫瘍を分類するための改良されたCapsNetアーキテクチャを提案し、より多くの労力を投資し、他の方法を90.89%の精度に改善しました¹⁵。Gumaeiらは、RELMを用いた脳腫瘍の分類のためのハイブリッド特徴抽出ベースの方法を提案した。著者らは、最小-最大正規化を使用して脳画像を正規化し、分類にRELMを使用して94.23%の精度を達成しました¹⁶。MRI を使用したセグメンテーションと脳腫瘍分類を使用した統合スキームは、Rezaei らによって提案されました。使用された手順は、ノイズの除去、サポート ベクター マシン (SVM) によるセグメンテーション、特徴の抽出、および DE を使用した特徴の選択でした。腫瘍のスライスは、WSVM、KNN、および HIK-SVM 分類器を使用して分類されました。MODEに基づくアンサンブル手法を使用した分類器は、92.46%¹⁷の精度を達成しました。Fouadらは、HDWT-HOG特徴記述子と特徴を軽減するためのWOAによる脳腫瘍の分類を提案しました。この方法では、Bagging を使用したアンサンブル手法を使用しました。バギングでは平均96.4%の精度を達成し、ブースティングでは95.8%の値¹⁸を達成しました。

Ayadiらは、正規化や勾配ヒストグラムによる高密度加速ロバスト特徴などの技術を使用して脳腫瘍を分類するプロセスを導入し、高品質の画像検索を向上させ、その結果として判別できる特徴の開発を実現しました。SVM分類器を採用し、評価データセット¹⁹でそれぞれ最大90.27%の精度に達しました。Srujanらは、ReLUやAdamオプティマイザーなどの活性化関数を組み合わせて95.36%の分類精度を達成する16層畳み込みニューラルネットワーク(CNN)DLアーキテクチャを発表しました²⁰。髄膜腫、神経膠腫、下垂体脳腫瘍の診断のためのCNNモデルを設計し、検証精度87.16%、トレーニング精度92.79%を達成しました。腫瘍領域は、Otsu 閾値、ファジー cmeans、および流域技術によってもセグメント化されました²¹。Huangらは、脳腫瘍の分類のためにCNN-BCNを発表しました。ネットワークアーキテクチャはランダムグラフ法を使用して設計され、最大95.49%²²の目標精度を達成しました。Ghassemiらは、脳腫瘍画像の分類のためのDLモデルを設計しました²³。事前学習されたネットワークをGAN識別器として利用することで、MR画像から強力な特徴と学習パターンが得られました。5 倍のクロス検証に基づいて、このアプローチは、完全接続層をデータ拡張やドロップアウトなどの手法に置き換えることで 95.6% の精度に達しました。Deepakらは、脳腫瘍画像を分類するためにSVMとCNNを組み合わせました。5 倍のクロス検証プロトコルでテストしたところ、自動化システムは 95.82% の精度を達成し、他の技術よりも優れています²⁴。脳腫瘍の同定には、XceptionやInceptionV3などの事前トレーニングおよび微調整されたネットワークを採用しました。これらのモデルは、RF、SVM、KNN などの幅広い機械学習技術を採用し、InceptionV94.34 3 25 のアンサンブルで²⁵% の精度を達成しました。

Shaikらは、医用画像処理における脳腫瘍を分類し、チャネル間の時間的リンクを維持しながら、空間とクロスチャネルの注意を組み合わせることで腫瘍に優先順位を付けるマネアプローチを提示しました。原発性脳腫瘍分類タスクでは、このアプローチは 96.51% の精度を達成しました²⁶。Ahmadらは、脳腫瘍を分類するための深層生成ニューラルネットワークを作成しました。この技術では、VAE と GAN を使用して、脳腫瘍の MR 画像で 96.25% の精度を達成しました^27,28。脳腫瘍のサブタイプを特定するために、AlanaziらによってDLモデルが提示されました。この手法では、複数のCNNモデルを作成し、転移学習を適用して22層のCNNモデルの重みを微調整しました。このモデルは、それぞれ 95.75% と 96.89% の MRI 画像精度を達成しました^29,30。Almalki らは、ML 技術を MRI に適用して、4 種類の脳腫瘍の重症度を迅速に分析しました。MRIを8 x 8ピクセルの画像に分解することで、ガウススケールと非線形スケールの特性、および細部を抽出することができました。重要な特性が特定され、400の非線形スケールの特徴に分割され、各MR画像とマージされました。彼らはSVM分類器を使用し、95.33%の精度を達成しました^31,32。Kumarらは、原発腫瘍の分類のために、InceptionV3、AlexNet、およびResNet50の3つのCNNモデルを比較し、データ拡張法を使用しました。AlexNetは、特異性と正確さの点で他社を上回り、96.2%³³のスコアを獲得しました。

脳腫瘍診断のためのより深い学習モデルを掘り下げています。DeepEBTDNetは、DSIHEを適用し、LIME^34,35を通じて解釈可能性を確保することで、MRIの品質を向上させます。99.33%の分類精度を達成するために使用される20の畳み込み層を持つTumorResNetは、脳腫瘍の早期診断と治療計画の一貫した自動化された方法を提示します³⁶。脳腫瘍の分類と検出のために、Kumarらによって複数の高度なDLアーキテクチャが提示されています。PBTCモデルは、MRI前処理、ACLSセグメンテーション、およびOHBOに最適化されたHRNN-BiLSTMを組み合わせて、97.8%の精度を達成します³⁷。Berkeley Wavelet Transform と Enhanced Serval Optimization を備えた 2 チャネル CNN は、4 種類の腫瘍に対して 98.8% の精度に達します³⁸。Disciらは、MRIデータを使用して、脳腫瘍を分類するための事前トレーニング済みDLモデルを評価し、Xception³⁹で98.73%の精度を達成しました。

Protocol

データセットの記述と探索的分析
データセットは、モデルの信頼性と精度を高めるために複数のソースで構成されています。Merged_datasetには、データセット A (3,054)、データセット B (3,264)、データセット C (10,000)、データセット D (4,292) の 20,620 枚の画像が含まれています。さらに、神経膠腫腫瘍グレード (HGG、LGG) に対して Brad データセットから 1,425 枚の画像が追加されました。この多様なデータセットにより、一般化が向上し、バイアスが減り、モデルのパフォーマンスが向上します。大規模なデータセットにより包括的な評価が可能になるため、分類タスクの実際のアプリケーションで正しい予測が得られる可能性が高くなります。

この調査では、2つの異なるデータセットが使用されました。2005年から2010年にかけて、最初の病院は中国の天津医科大学の南方病院と総合病院から買収されました。腫瘍を有する233人の個人、および神経膠腫グレードIIおよびIIIからのT1強調造影画像がコレクションに含まれています。このデータセットは、腫瘍カテゴリーの非常に包括的な分布と一般的なデータ分析を提供します。高悪性度神経膠腫 (HGG) の場合は 1,050 枚の画像が利用可能であり、低悪性度神経膠腫 (LGG) の場合は 375 枚の画像があり、より重症の症例 (HGG) により多くの注意が払われていることを意味します。

図1 は、3つの脳腫瘍タイプに分類されたMRIスキャンを示しています。各行は1種類の腫瘍であり、各カテゴリに3つのサンプル画像があります。スキャンは、軸方向、矢状方向、冠状方向など、さまざまな方向やビューで異なる特性を持っています。神経膠腫サンプルは、脳組織に浸潤する不規則な構造を持っています。髄膜腫サンプルは脳の表面近くに限局性腫瘤として現れ、下垂体腫瘍サンプルは脳の中心近くに位置します。これらの例は、腫瘍の外観にばらつきを示すため、医療画像分析における腫瘍の正確な検出と分類のためのMLモデルのトレーニングに役立ちます。

図1:腫瘍のMRIスキャン。髄膜腫、神経膠腫、下垂体腫瘍の軸方向、矢状面、冠状方向の MRI スキャンで、明確な画像特性を強調します。 この図の拡大版を表示するには、ここをクリックしてください。

神経膠腫の画像数が最も多く、6,000 枚をわずかに上回ります。髄膜腫には約6,000枚の画像がありますが、下垂体には髄膜腫とほぼ同じ数の画像があります。3つのカテゴリーの間にはほぼ均等に分割されているようで、各腫瘍タイプがトレーニングや分析に適切に表されていることを意味します。神経膠腫のファイルサイズの中央値が最大ですが、髄膜腫の範囲はより制限されており、外れ値も多くなります。下垂体の中程度の分散には、いくつかの明らかな外れ値が含まれています。各カテゴリには、非常に大きなファイルサイズが含まれています。

図2 は、3つの腫瘍タイプの画像特徴のPCAを示しています。主成分1は、最も多くの分散を捉え、下垂体(右クラスター)を他のものから有意に分離します。神経膠腫と髄膜腫は左側に重なり合っており、それらの特徴表現が同等であり、分離可能性が低下していることを示しています。

図2:画像特徴のPCA。 神経膠腫,髄膜腫,下垂体腫ようクラスを区別する抽出された特徴の主成分分析。 この図の拡大版を表示するには、ここをクリックしてください。

図 3 に示す相関ヒートマップは、画像メタデータ属性 (File_Size、高さ、幅) 間の関係を示しています。File_Size、高さ (-0.01) と幅 (0.0039) の両方で非常に低い相関を示します。

図3:メタデータの相関ヒートマップ。 ファイルサイズ、高さ、幅などの画像メタデータ属性間の関係を示すヒートマップ。 この図の拡大版を表示するには、ここをクリックしてください。

高さと幅も0.0039と非常に低い正の相関を示しています。対角線の値は 1 で、各変数とそれ自体の完全な相関関係を示します。一般に、属性はほとんど相関関係がなく、ファイルサイズ、画像の高さ、幅の間に独立した変動があります。

方法論と提案されたアーキテクチャ
MRIデータに基づいて脳腫瘍を体系的に検出、分類、分析するワークフローを 図4に示します。この方法論には、堅牢な腫瘍の予測と分類を実現するための高度な前処理、セグメンテーション、DL 技術が含まれています。

図4:提案された方法論のワークフロー。 MRIデータを用いた腫瘍の検出、分類、解析のための段階的なワークフロー この図の拡大版を表示するには、ここをクリックしてください。

このプロセスは、多数のデータセット (A、B、C、D として表記される) を統合することから始まります。次に、データセットを 1 つの包括的なデータセットに結合して、全体的なデータを取得します。また、画像のセグメンテーション、クラスタリング、分類の目的で Brad データセットも含まれます。マージされたデータセットには、各データセットと結合されたディレクトリ内のすべての画像を追加することが含まれ、さらなる分析と多分類モデルの開発のための包括的で統一されたデータセットが確保されます。

次に、データの品質と変動性を向上させるための重要なステップである前処理が完了します。元のMRI画像に9つの拡張プロセスが適用され、モデルのパフォーマンスとデータセットの多様性が向上します。画像のサイズを一般的なサイズに変更すると調和し、RGB からグレースケールへの変換により処理が簡素化されます。水平/垂直反転により堅牢性が向上し、ズームによる回転はさまざまなイメージング条件を模倣します。Sobel フィルタリングを使用すると、特徴の鋭度が向上し、ノイズを追加すると変動性が向上します。アンシャープマスキングは画像の鋭さを向上させ、高さと幅のシフトは位置のバリエーションを追加します。それぞれを組み合わせると、モデルの一般化可能性と分類精度が向上します。これらすべてにより、モデルが幅広いイメージング状況にわたって一般化されることが保証されます。MRI画像は合計20,620枚あり、モデル開発に用いた後処理画像は合計185,580枚です。

次に、マージされたデータセットは、医療画像処理で高度に利用されている U-Net モデルを使用してセグメント化されます。このアーキテクチャは、MRI スキャンから腫瘍領域を特定するために微調整され、トレーニングされています。このステップでは、腫瘍を強調し、無関係な詳細を排除するマスクされた画像が生成されます。画像をセグメント化することで、分類と分析のためのデータ入力が向上します。

次のステップでは、これらのモデルを微調整して画像をさまざまなクラスに分類し、転移学習を活用してトレーニング時間を短縮しながら精度を高めます。分類には、事前学習済みのディープラーニングモデルが多数使用され、それぞれに特別な利点があります。VGG16 と VGG19 は、その使いやすさと画像分類の効率性から、頻繁に利用されています。最適な計算効率を備えた EfficientNetB0 と EfficientNetB7 は、最先端のパフォーマンスを提供します。ResNet101 のより深いアーキテクチャにより、複雑なパターンを効果的にキャプチャすることで分類精度が向上します。その後、トレーニングされたアルゴリズムが MRI データを 4 つの腫瘍分類に分類することで、正確な診断が保証されます。グリア細胞は、脳機能を損なう神経膠腫腫瘍の原因です。髄膜腫腫瘍は、脳と脊髄の保護層である髄膜に発生します。下垂体は下垂体腫瘍の部位であり、ホルモンバランスと生理学的プロセスに影響を与えます。

次に、正確な診断を支援するために、K-Nearest Neighbors (KNN) などのクラスタリング技術を使用して腫瘍の悪性度を予測します。高悪性度神経膠腫 (HGG) のグレード 3 および 4 は、重度の腫瘍発生を示します。低悪性度神経膠腫(LGG)のグレード1およびグレード2は、それぞれ成長が遅く、攻撃性が低い腫瘍です。この等級付けは、腫瘍の攻撃性を確立し、したがって直接的な臨床管理を行うために不可欠です。

最後に、分類モデルの有効性を評価するために、重要な基準に従って分類モデルが対比されます。それらの効果を評価して、拡張およびセグメンテーション戦略によってモデルのパフォーマンスが向上したかどうかを確認します。信頼性と有効性を保証するために、さまざまなデータセットのパフォーマンスも検査され、分類精度が最先端のモデルと対比されます。

このワークフローは、データの準備、前処理、セグメンテーション、分類、グレーディングを一貫したフレームワークに統合します。最先端のDL法と厳密な前処理の適用により、脳腫瘍の検出と分類の精度を高めます。腫瘍のグレーディングを含めることで臨床上の意思決定がさらにサポートされ、腫瘍分析のための包括的なシステムになります。

図5:ディープラーニングフレームワーク。 深層学習モデルを用いた脳腫瘍分類フレームワークの提案 この図の拡大版を表示するには、ここをクリックしてください。

図5 は、深層学習などの高度な計算技術を利用して脳腫瘍を同定する医用画像分類システムに関するアーキテクチャです。それは、分類されているMRI画像のコレクションから始まります。したがって、これは分類プロセスのバックボーンになります。次に、入力データはデータ前処理モジュールに入り、そこで正規化、サイズ変更、画像拡張、ノイズの除去が行われます。前処理は、モデルのトレーニング フェーズを最大限に活用するために入力画像を標準化します。ステップ全体は、その後の計算集約的な段階を経る準備をすることです。前処理ステップに続いて、データは特徴抽出モジュールに供給されます。ここでは、画像内の特徴を識別するために、計算技術やモデル、おそらくCNNなどのDLモデルを使用することができます。抽出される特徴には、異常または腫瘍の特徴を示すパターンが含まれる場合があります。次に、この特徴のセットが分類モデルに入力されます。これはおそらく、腫瘍の有無や腫瘍の種類など、さまざまなクラスを区別することを目的としていることを考えると、モデルは、正確な予測のために、おそらくInception-ResNet-v2などのかなり複雑なアーキテクチャに依存しています。スキャンされた脳画像に腫瘍が存在するかどうかを判断します。この分類ステップは、「腫瘍」と「腫瘍なし」に分けられます。腫瘍が見つかった場合、システムは腫瘍の種類を神経膠腫、髄膜腫、または下垂体に分類します。これらの各タイプには、抽出された特徴を使用してモデルが認識する特性があります。同定された腫瘍について、腫瘍の悪性度が決定されます。グレードの範囲は 1 から 4 で、腫瘍の重症度と進行を示します。グレード 1 は最も攻撃的ではなく、グレード 4 は最も深刻です。この分類は、医学的診断と治療計画に役立ちます。最終的な出力には、腫瘍の有無、およびその種類と悪性度が含まれます。このような出力は、患者のケアと治療における意思決定のための臨床応用にとって非常に価値があります。

このプロセスは、医療画像分析と腫瘍タイプの分類のための統合パイプラインを表しています。生データから始まり、準備データ、特徴抽出、分類を経て連続して進みます。システムは、腫瘍が実際にあるかどうかを判断し、その種類を指定し、重症度またはグレードを示します。このパイプラインは、より複雑な形式の計算を使用して、医療画像診断を合理化し、脳腫瘍の評価をより迅速かつ正確に行うことができます。モジュール式ワークフローにより柔軟性が確保され、コンポーネントを個別に最適化してパフォーマンスを向上させることができます。

Results

トレーニング環境はKaggleのNVIDIA Tesla T4 GPUを活用し、効率的なモデルトレーニングを促進します。重要なライブラリは、強力なディープラーニングパイプラインを促進するTensorFlow、PyTorch、Keras、NumPy、Pineconeです。DenseNet201、InceptionV3、および Inception-ResNet-v2 が選択されたのは、医療画像処理における有効性が実証されたためです。これらの設計は、深い特徴抽出、堅牢な勾配フロー、およびハイブリッド強度を提供し、優れた畳み込み学習および残差学習機能を活用することで、精度を向上させ、過学習を最小限に抑え、脳腫瘍検出におけるモデルの一般化を改善します。DenseNet201 では、各レイヤーが前のレイヤーから入力を受け取るため、勾配消失の問題が軽減され、特徴量の再利用が可能になります。201 層があり、一連の高密度ブロックを採用しており、各ブロックには多数の畳み込み層が含まれています。このモデルは、トレーニングの効率性と、従来の畳み込みネットワークと比較して、より少ないパラメータで高い精度を達成できる能力が認められています。DenseNet201...

Discussion

脳腫瘍は非常に危険で致命的である可能性があるため、個人の命を救うには脳腫瘍の早期診断が不可欠である可能性があります。現在、腫瘍診断は放射線科医の手動解釈に依存しているため、悪性腫瘍の早期発見に遅れや人的ミスが生じる可能性があります。したがって、この論文では、特にさまざまな形状、サイズ、およびテクスチャを扱う場合に、腫瘍を正確に検出、位置特定、および分類できる多分類脳腫瘍診断モデルを紹介します。医療画像処理のハイブリッド手法と高度な深層学習モデルを組み合わせて、精度を高め、マルチ分類を実行します。脳MRIは、神経膠腫、髄膜腫、下垂体の3つのグループに分類されます。これは、原点で撮影された入力画像から脳MRIをセグメント化できる正確で自動化されたセグメンテーションモデルを適用します。腫瘍は多数の異なる場所に存在し、さまざまな形状や構造を持つ可能性があるため、腫瘍のセグメンテーションを自動化することは困難です。腫瘍切片セグメンテーションのモデルは、U-Netアーキテクチャに基づいて開発されました。分類により、セグメンテーションを使用しない場合の分類モデルにかかる時間が最小限に...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
ファストテキスト	フェイスブックAI	該当なし	単語の表現と分類
Google Colab	ググる	該当なし	クラウドベースのJupyter Notebook環境
Google Colab GPU/TPU	ググる	該当なし	クラウドベースのハードウェアアクセラレーション
Intel Core i5/i7またはAMD Ryzen 5/7	インテル / AMD	該当なし	ローカル実行用のプロセッサ (必要な場合)
マットプロトリブ	オープンソース	該当なし	データ可視化ライブラリ
NLTKの	オープンソース	該当なし	テキスト処理のための自然言語ツールキット
ナンパイ	オープンソース	該当なし	数値計算ライブラリ
NVIDIA GTX 1650 以降 (オプション)	エヌビディア	該当なし	ディープラーニングタスク用のGPU
パンダ	オープンソース	該当なし	データ操作ライブラリ
Python	Pythonソフトウェア財団	該当なし	ML および NLP 用のプログラミング言語
パイトーチ	メタAI	該当なし	ディープラーニングフレームワーク
RAM(最小8GB、16GB推奨)	諸	該当なし	ML タスクのメモリ要件
Scikit-learn	オープンソース	該当なし	機械学習ライブラリ
シーボーン	オープンソース	該当なし	統計データの可視化
SpaCy	爆発AI	該当なし	産業強度のNLPライブラリ
SSDストレージ(最小256GB、512GB推奨)	諸	該当なし	データセット処理用のストレージ
テンソルフロー	ググる	該当なし	ディープラーニングフレームワーク