論文の概要: Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2504.06811v1
• Date: Wed, 09 Apr 2025 12:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:07:08.015898
• Title: Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis
• Title（参考訳）: Chebyshev Polynomial Expansion を用いたハイブリッドCNNによる医用画像解析
• Authors: Abhinav Roy, Bhavesh Gyanchandani, Aditya Oza,
• Abstract要約: 肺がんは、世界中でがん関連死亡の原因の1つとなっている。 従来の畳み込みニューラルネットワーク(CNN)は、医療画像解析においてかなりの可能性を秘めている。 本研究では,Chebyshev-CNNを組み込んだハイブリッドディープラーニングアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Lung cancer remains one of the leading causes of cancer-related mortality worldwide, with early and accurate diagnosis playing a pivotal role in improving patient outcomes. Automated detection of pulmonary nodules in computed tomography (CT) scans is a challenging task due to variability in nodule size, shape, texture, and location. Traditional Convolutional Neural Networks (CNNs) have shown considerable promise in medical image analysis; however, their limited ability to capture fine-grained spatial-spectral variations restricts their performance in complex diagnostic scenarios. In this study, we propose a novel hybrid deep learning architecture that incorporates Chebyshev polynomial expansions into CNN layers to enhance expressive power and improve the representation of underlying anatomical structures. The proposed Chebyshev-CNN leverages the orthogonality and recursive properties of Chebyshev polynomials to extract high-frequency features and approximate complex nonlinear functions with greater fidelity. The model is trained and evaluated on benchmark lung cancer imaging datasets, including LUNA16 and LIDC-IDRI, achieving superior performance in classifying pulmonary nodules as benign or malignant. Quantitative results demonstrate significant improvements in accuracy, sensitivity, and specificity compared to traditional CNN-based approaches. This integration of polynomial-based spectral approximation within deep learning provides a robust framework for enhancing automated medical diagnostics and holds potential for broader applications in clinical decision support systems.
• Abstract（参考訳）: 肺がんは、世界中のがん関連死亡の原因の1つであり、早期かつ正確な診断は、患者の予後を改善する上で重要な役割を担っている。 CTスキャンにおける肺結節の自動検出は,結節の大きさ,形状,テクスチャ,位置の変動が原因で困難である。 従来の畳み込みニューラルネットワーク(CNN)は、医用画像解析においてかなり有望であるが、微細な空間スペクトル変化を捉える能力に制限があるため、複雑な診断シナリオではパフォーマンスが制限される。 本研究では,チェビシェフ多項式展開をCNN層に組み込んだハイブリッドディープラーニングアーキテクチャを提案する。 提案したチェビシェフ-CNNは、チェビシェフ多項式の直交性および再帰性を利用して、高周波数特性とより忠実な複素非線形関数を抽出する。 このモデルは、LUNA16やLIDC-IDRIなどの肺がん画像データセットを用いて訓練され、評価され、良性または悪性の肺結節の分類において優れた性能を発揮する。 定量的な結果は、従来のCNNベースのアプローチと比較して精度、感度、特異性を著しく改善したことを示している。 深層学習における多項式ベースのスペクトル近似の統合は、自動診断の強化のための堅牢なフレームワークを提供し、臨床診断支援システムにおける幅広い応用の可能性を持っている。

関連論文リスト

• Dynamic Hypergraph Representation for Bone Metastasis Cancer Analysis [12.383707480056557]
  骨転移解析は患者の生活の質や治療戦略を決定する上で重要な役割を担っている。 従来のグラフ表現のエッジ構築制限を克服する動的ハイパーグラフニューラルネットワーク(DyHG)を提案する。 DyHGは最先端のSOTAベースラインを著しく上回り、複雑な生物学的相互作用をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-01-28T08:33:59Z)
• Medical AI for Early Detection of Lung Cancer: A Survey [11.90341994990241]
  肺がんは世界中で致死率と死亡率の主要な原因の1つである。 コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。 深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-10-18T17:45:42Z)
• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
  肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。 提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。 また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
  論文  参考訳（メタデータ） (2024-07-18T01:42:00Z)
• Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition of Pneumonia from Chest X-Ray Images [2.1408385210297656]
  本稿では,医療実践に高速な分析支援を実現するために,解釈可能な肺炎認識フレームワークを開発した。 認識過程を高速化する計算複雑性を低減するため,Transformer内の新しい多段階自己認識機構が提案されている。 本手法の有効性は,CXR画像データセットを用いた古典的な新型コロナウイルス認識タスクにおいて実証されている。
  論文  参考訳（メタデータ） (2022-10-29T12:12:03Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。