論文の概要: CPLOYO: A Pulmonary Nodule Detection Model with Multi-Scale Feature Fusion and Nonlinear Feature Learning

• arxiv url: http://arxiv.org/abs/2503.10045v1
• Date: Thu, 13 Mar 2025 04:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:30.976582
• Title: CPLOYO: A Pulmonary Nodule Detection Model with Multi-Scale Feature Fusion and Nonlinear Feature Learning
• Title（参考訳）: CPLOYO:マルチスケール特徴融合と非線形特徴学習を用いた肺結節検出モデル
• Authors: Meng Wang, Zi Yang, Ruifeng Zhao, Yaoting Jiang,
• Abstract要約: 多型検出は、肺がん全体の検出率の向上と治療率の向上に寄与する。 高感度の結節検出を実現するため、YOLOv8モデルにターゲット改良が加えられた。 C2f_RepViTCAMFモジュールは、バックボーン内のC2fモジュールを増強するために導入された。 MSCAFモジュールはモデルの特徴融合部を再構築するために組み込まれた。
• 参考スコア（独自算出の注目度）: 8.128072264076822
• License:
• Abstract: The integration of Internet of Things (IoT) technology in pulmonary nodule detection significantly enhances the intelligence and real-time capabilities of the detection system. Currently, lung nodule detection primarily focuses on the identification of solid nodules, but different types of lung nodules correspond to various forms of lung cancer. Multi-type detection contributes to improving the overall lung cancer detection rate and enhancing the cure rate. To achieve high sensitivity in nodule detection, targeted improvements were made to the YOLOv8 model. Firstly, the C2f\_RepViTCAMF module was introduced to augment the C2f module in the backbone, thereby enhancing detection accuracy for small lung nodules and achieving a lightweight model design. Secondly, the MSCAF module was incorporated to reconstruct the feature fusion section of the model, improving detection accuracy for lung nodules of varying scales. Furthermore, the KAN network was integrated into the model. By leveraging the KAN network's powerful nonlinear feature learning capability, detection accuracy for small lung nodules was further improved, and the model's generalization ability was enhanced. Tests conducted on the LUNA16 dataset demonstrate that the improved model outperforms the original model as well as other mainstream models such as YOLOv9 and RT-DETR across various evaluation metrics.
• Abstract（参考訳）: 肺結節検出におけるIoT(Internet of Things)技術の統合は,検出システムのインテリジェンスとリアルタイム能力を大幅に向上させる。 現在、肺結節検出は主に固形結節の同定に焦点が当てられているが、異なる種類の肺結節は様々な形態の肺がんに対応している。 多型検出は、肺がん全体の検出率の向上と治療率の向上に寄与する。 高感度の結節検出を実現するため、YOLOv8モデルにターゲット改良が加えられた。 まず、C2f\_RepViTCAMFモジュールを導入し、背骨内のC2fモジュールを増強し、肺小結節の検出精度を高め、軽量なモデル設計を実現した。 第2に、MSCAFモジュールはモデルの特徴融合部を再構築するために組み込まれ、様々なスケールの肺結節の検出精度が向上した。 さらに、kanネットワークがモデルに統合された。 カンネットワークの強力な非線形特徴学習能力を活用することにより,肺小結節の検出精度がさらに向上し,モデルの一般化能力が向上した。 LUNA16データセットで実施されたテストでは、改良されたモデルが元のモデルと、さまざまな評価指標でYOLOv9やRT-DETRといった他の主流モデルよりも優れていることが示されている。

関連論文リスト

• Innovative Silicosis and Pneumonia Classification: Leveraging Graph Transformer Post-hoc Modeling and Ensemble Techniques [2.7612447863077794]
  本研究はシリケーシス関連肺炎症の分類と検出に関する包括的研究である。 我々は, 異なる薬剤による肺炎症のニュアンスに合わせて, SVBCXと命名された新しい胸部X線画像データセットを作成した。 本稿では,従来のディープニューラルネットワークモジュールとグラフトランスフォーマーネットワークを統合した新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T16:03:43Z)
• Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation [7.53596352508181]
  本稿では,肺結節の自動検出とセグメンテーションのための新しいディープラーニング手法を提案する。 この手法は、感度、Dice類似度係数、精度、および平均結合断面積(IoU)の点で優れた性能を示す。 その結果,本手法はコンピュータ支援診断システムの改善に有意な可能性を秘めていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-20T19:47:07Z)
• Convolutional Neural Networks for Predictive Modeling of Lung Disease [34.1086022278394]
  Pro-HRnet-CNNは、HRNetとヴォイド畳み込み技術を組み合わせた革新的なモデルである。 従来の ResNet-50 と比較すると,Pro-HRnet-CNN は小型ノジュールの特徴抽出と認識において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-08T01:58:46Z)
• Application of Computer Deep Learning Model in Diagnosis of Pulmonary Nodules [5.058992545593932]
  再建法を用いて肺の3次元シミュレーションモデルを構築した。 コンピュータ支援肺結節検出モデルを構築した。 診断率は従来の診断法に比べて有意に改善した。
  論文  参考訳（メタデータ） (2024-06-19T04:27:27Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• 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)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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 multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。