論文の概要: Classification based deep learning models for lung cancer and disease using medical images

• arxiv url: http://arxiv.org/abs/2507.01279v1
• Date: Wed, 02 Jul 2025 01:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.975049
• Title: Classification based deep learning models for lung cancer and disease using medical images
• Title（参考訳）: 医用画像を用いた肺癌・疾患の分類に基づく深層学習モデル
• Authors: Ahmad Chaddad, Jihao Peng, Yihang Wu,
• Abstract要約: 本稿では、確立されたResNetフレームワークをベースにした、ResNet+と呼ばれる新しいディープ畳み込みニューラルネットワーク(CNN)モデルを紹介する。 実験の結果、ResNet+モデルは、LC25000データセットで98.14/98.14%、IQ-OTH/NCCDデータセットで99.25/99.13%に達している。
• 参考スコア（独自算出の注目度）: 2.0809985825763198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of deep learning (DL) in medical image analysis has significantly improved the ability to predict lung cancer. In this study, we introduce a novel deep convolutional neural network (CNN) model, named ResNet+, which is based on the established ResNet framework. This model is specifically designed to improve the prediction of lung cancer and diseases using the images. To address the challenge of missing feature information that occurs during the downsampling process in CNNs, we integrate the ResNet-D module, a variant designed to enhance feature extraction capabilities by modifying the downsampling layers, into the traditional ResNet model. Furthermore, a convolutional attention module was incorporated into the bottleneck layers to enhance model generalization by allowing the network to focus on relevant regions of the input images. We evaluated the proposed model using five public datasets, comprising lung cancer (LC2500 $n$=3183, IQ-OTH/NCCD $n$=1336, and LCC $n$=25000 images) and lung disease (ChestXray $n$=5856, and COVIDx-CT $n$=425024 images). To address class imbalance, we used data augmentation techniques to artificially increase the representation of underrepresented classes in the training dataset. The experimental results show that ResNet+ model demonstrated remarkable accuracy/F1, reaching 98.14/98.14\% on the LC25000 dataset and 99.25/99.13\% on the IQ-OTH/NCCD dataset. Furthermore, the ResNet+ model saved computational cost compared to the original ResNet series in predicting lung cancer images. The proposed model outperformed the baseline models on publicly available datasets, achieving better performance metrics. Our codes are publicly available at https://github.com/AIPMLab/Graduation-2024/tree/main/Peng.
• Abstract（参考訳）: 医用画像解析における深層学習(DL)の利用は,肺癌の予測能力を大幅に向上させた。 本研究では、確立されたResNetフレームワークをベースにした、ResNet+と呼ばれる新しいディープ畳み込みニューラルネットワーク(CNN)モデルを提案する。 このモデルは、画像を用いて肺がんや疾患の予測を改善するために特別に設計されている。 CNNのダウンサンプリングプロセス中に発生する機能情報の欠如に対処するため、従来のResNetモデルにダウンサンプリング層を変更して特徴抽出機能を強化するために設計されたResNet-Dモジュールを組み込んだ。 さらに、ネットワークが入力画像の関連領域に集中できるようにすることにより、ボトルネック層に畳み込みアテンションモジュールを組み込んでモデル一般化を強化した。 肺がん (LC2500 $n$=3183, IQ-OTH/NCCD $n$=1336, LCC $n$=25000, ChestXray $n$=5856, COVIDx-CT $n$=425024) と肺疾患 (ChestXray $n$=5856, COVIDx-CT $n$=425024) を含む5つのパブリックデータセットを用いて, 提案したモデルを評価した。 クラス不均衡に対処するために、トレーニングデータセットの未表現クラスの表現を人工的に増やすために、データ拡張技術を使用した。 実験の結果、ResNet+モデルは、LC25000データセットで98.14/98.14\%、IQ-OTH/NCCDデータセットで99.25/99.13\%に達した。 さらに、ResNet+モデルは、肺がん画像の予測において、オリジナルのResNetシリーズと比較して計算コストを削減した。 提案されたモデルでは、公開データセットのベースラインモデルのパフォーマンスが向上し、パフォーマンス指標が向上した。 私たちのコードはhttps://github.com/AIPMLab/Graduation-2024/tree/main/Pengで公開されています。

関連論文リスト

• MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
  本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。 提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。 この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
  論文  参考訳（メタデータ） (2024-11-02T07:18:53Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• A novel method to enhance pneumonia detection via a model-level ensembling of CNN and vision transformer [0.7499722271664147]
  肺炎は世界中で致死率と死亡率の主要な原因である。 深層学習は胸部X線(CXR)画像から肺炎を検出する大きな可能性を示している。 我々は,モデルレベルのアンサンブルにより,畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーネットワークを融合させる新しいモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-04T16:58:31Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
  我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。 精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
  論文  参考訳（メタデータ） (2023-04-10T18:47:20Z)
• MARL: Multimodal Attentional Representation Learning for Disease Prediction [0.0]
  既存の学習モデルは、しばしばCTスキャン画像を利用して肺疾患を予測する。 これらのモデルは、肺のセグメンテーションと視覚特徴学習に影響を与える高い不確実性によって構成される。 MARL(Multimodal Attentional Representation Learning Model Architecture)を紹介する。
  論文  参考訳（メタデータ） (2021-05-01T17:47:40Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
  本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。 この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
  論文  参考訳（メタデータ） (2020-04-02T08:14:37Z)

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。