論文の概要: Using Few-Shot Learning to Classify Primary Lung Cancer and Other Malignancy with Lung Metastasis in Cytological Imaging via Endobronchial Ultrasound Procedures

• arxiv url: http://arxiv.org/abs/2404.06080v3
• Date: Tue, 13 May 2025 09:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.124863
• Title: Using Few-Shot Learning to Classify Primary Lung Cancer and Other Malignancy with Lung Metastasis in Cytological Imaging via Endobronchial Ultrasound Procedures
• Title（参考訳）: 肺転移をともなう原発性肺癌と悪性腫瘍の鑑別にFew-Shot Learningを応用した気管支内超音波による細胞像診断
• Authors: Ching-Kai Lin, Di-Chun Wei, Yun-Chien Cheng,
• Abstract要約: 本研究は, 子宮内膜超音波(EBUS)における肺転移の早期発見を支援するコンピュータ支援診断システムを提案する。 細胞間の画像の制限と形態的類似性のため、肺転移の分類は困難であり、既存の研究ではこの問題を直接ターゲットとすることはめったにない。 データ不足を克服し、分類を改善するために、著者らは、きめ細かい分類とコントラスト学習を備えたハイブリッド事前学習バックボーンを用いた数ショット学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study presents a computer-aided diagnosis (CAD) system to assist early detection of lung metastases during endobronchial ultrasound (EBUS) procedures, significantly reducing follow-up time and enabling timely treatment. Due to limited cytology images and morphological similarities among cells, classifying lung metastases is challenging, and existing research rarely targets this issue directly.To overcome data scarcity and improve classification, the authors propose a few-shot learning model using a hybrid pretrained backbone with fine-grained classification and contrastive learning. Parameter-efficient fine-tuning on augmented support sets enhances generalization and transferability. The model achieved 49.59% accuracy, outperforming existing methods. With 20 image samples, accuracy improved to 55.48%, showing strong potential for identifying rare or novel cancer types in low-data clinical environments.
• Abstract（参考訳）: 本研究は,EBUS術中肺転移の早期発見を支援し,経過観察時間を大幅に短縮し,タイムリーな治療を可能にするコンピュータ支援診断システムを提案する。 細胞診画像の制限と細胞の形態的類似性から肺転移の分類は困難であり, 既存の研究では, データ不足を克服し, 分類を改善するために, 微細な分類と対照的な学習を併用した, ハイブリッドプレトレーニングバックボーンを用いた数発の学習モデルを提案する。 拡張サポートセットのパラメータ効率の良い微調整は、一般化と転送可能性を高める。 このモデルは49.59%の精度を達成し、既存の手法よりも優れていた。 20の画像サンプルにより、精度は55.48%に向上し、低データ臨床環境での稀なまたは新規ながんタイプを同定する可能性が強い。

関連論文リスト

• Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [44.18078370879369]
  TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。 深層学習はRTをパーソナライズすることを約束する。 現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
  論文  参考訳（メタデータ） (2025-03-07T12:21:09Z)
• Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning [0.0]
  本研究は,Segment Anything Model(SAM)と転写学習技術を組み合わせた肺結節セグメンテーションの革新的アプローチを提案する。 提案手法はバウンディングボックスプロンプトとビジョントランスフォーマーモデルを利用してセグメンテーション性能を向上し,高精度なDice similarity Coefficient (DSC) とIntersection over Union (IoU) のメトリクスを実現する。 以上の結果から,CT検査から肺結節を正確に抽出するモデルの有効性が示唆され,早期発見の進展と肺癌診断における患者のケア結果の改善が示唆された。
  論文  参考訳（メタデータ） (2024-12-31T18:21:57Z)
• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
  深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。 実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
  論文  参考訳（メタデータ） (2024-04-14T12:09:47Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• A Data Augmentation Method and the Embedding Mechanism for Detection and Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
  新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。 肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-02T13:58:45Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
  CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。 本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
  論文  参考訳（メタデータ） (2020-12-17T09:53:51Z)
• ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification [0.0]
  CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。 近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。 肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-29T08:42:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。