nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

Cancer Detection Based on Image Classification by Using Convolution Neural Network

verfasst von : Mohammad Anas Shah, Abdala Nour, Alioune Ngom, Luis Rueda

Erschienen in: Bioinformatics and Biomedical Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Breast cancer starts when cells in the breast begin to grow out of control. These cells usually form a tumor that can often be seen on an x-ray or felt as a lump. The tumor is malignant (cancer) if the cells can grow into (invade) surrounding tissues or spread (metastasize) to distant areas of the body. The challenge of this project was to build an algorithm by using a neural network to automatically identify whether a patient is suffering from breast cancer by looking at biopsy images. The algorithm must be accurate because the lives of people are at stake.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Graph Based Automatic Protein Function Annotation Improved by Semantic Similarity

Nächstes Kapitel Steps to Visible Aquaphotomics

Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R.L., Torre, L.A., Jemal, A.: Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA 68(6), 394–424 (2018)PubMed

Ribli1, D., Anna, H., Zsuzsa, U., Peter, P., Istvan, C.: Detecting and classifying lesions in mammograms with Deep Learning. Sci. Rep. 4165(8), 2–6 (2018)

Kourou, K., Exarchos, T., Exarchos, K., Karamouzis, M., Fotiadis, D.: Machine learning applications in cancer prognosis and prediction. Comput. Struct. Biotechnol. J. 13(10), 1–2 (2014)

Spanhol, F., Oliveira, L.S., Petitjean, C., Heutte, L.: A dataset for breast cancer histopathological image classification. IEEE Trans. Biomed. Eng. (TBME) 63(7), 1455–1462 (2016)CrossRef

Spanhol, F.A., Oliveira, L.S., Petitjean, C., Heutte, L.: Breast cancer histopathological image classification using Convolutional Neural Networks. In: 2016 International Joint Conference on Neural Networks (IJCNN), Vancouver, BC, pp. 2560–2567 (2016)

Kuo, C.C.J.: Understanding convolutional neural networks with a mathematical model, 3–14 (2016). arXiv: 1609(04112)

He, K., Zhang, X., Ren, S., Sun, J.: Delving deep into rectifiers: surpassing human-level performance on ImageNet classification, 6–7 (2015). arXiv: 1502(01852)

Cogswell, M., Ahmed, F., Girshick, R., Zitnick, L., Batra, D.: Reducing overfitting in deep networks by decorrelating representations 2(4), 4–7 (2015)

Scherer, D., Müller, A., Behnke, S.: Evaluation of pooling operations in convolutional architectures for object recognition. In: Diamantaras, K., Duch, W., Iliadis, Lazaros S. (eds.) ICANN 2010. LNCS, vol. 6354, pp. 92–101. Springer, Heidelberg (2010). https://doi.org/10.1007/978-3-642-15825-4_10CrossRef

10.

SuperDataScience Team: Convolutional-neural-networks-cnn-step-3-flattening, 3–4 (2018). Accessed 17 Aug 2018

11.

Caruana, R., Lawrence, S., Giles, C.: Overfitting in neural nets: backpropagation, conjugate gradient, and early stopping. In: Advances in Neural Information Processing Systems, vol. 13, pp. 402–408 (2000)

12.

Perez, L., Wang, J.: The effectiveness of data augmentation in image classification using deep learning. 1(1), 2–3 (2017)

13.

Alex, K., Ilya, S., Geoffrey, E.: ImageNet classification with deep convolutional neural networks. 60(6): 84–90 (2017)

14.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.: Dropout: a simple way to prevent neural networks from overfitting. J. Mach. Learn. Res. 15(1), 1929–1958 (2014)

15.

Martens, J.: Deep learning via Hessian-free optimization. In: ICML 2010 - Proceedings, 27th International Conference on Machine Learning, pp. 735–742 (2010)

Titel: Cancer Detection Based on Image Classification by Using Convolution Neural Network
verfasst von: Mohammad Anas Shah
Abdala Nour
Alioune Ngom
Luis Rueda
Verlag: Springer International Publishing
Buch: Bioinformatics and Biomedical Engineering
Print ISBN: 978-3-030-45384-8

Electronic ISBN: 978-3-030-45385-5

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-030-45385-5_25

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"