論文の概要: Capsule-ConvKAN: A Hybrid Neural Approach to Medical Image Classification

• arxiv url: http://arxiv.org/abs/2507.06417v1
• Date: Tue, 08 Jul 2025 21:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.399865
• Title: Capsule-ConvKAN: A Hybrid Neural Approach to Medical Image Classification
• Title（参考訳）: Capsule-ConvKAN:医療画像分類のためのハイブリッドニューラルネットワーク
• Authors: Laura Pituková, Peter Sinčák, László József Kovács,
• Abstract要約: 本研究では、畳み込みニューラルネットワーク、カプセルネットワーク、畳み込みコルモゴロフ-アルノルドネットワーク、新しく提案されたカプセル-畳み込みコルモゴロフ-アルノルドネットワークの4つのニューラルネットワークアーキテクチャを比較した。 提案したCapsule-ConvKANアーキテクチャは、Capsule Networkの動的ルーティングと空間階層機能と、Convolutional Kolmogorov-Arnold Networksのフレキシブルで解釈可能な関数近似を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study conducts a comprehensive comparison of four neural network architectures: Convolutional Neural Network, Capsule Network, Convolutional Kolmogorov--Arnold Network, and the newly proposed Capsule--Convolutional Kolmogorov--Arnold Network. The proposed Capsule-ConvKAN architecture combines the dynamic routing and spatial hierarchy capabilities of Capsule Network with the flexible and interpretable function approximation of Convolutional Kolmogorov--Arnold Networks. This novel hybrid model was developed to improve feature representation and classification accuracy, particularly in challenging real-world biomedical image data. The architectures were evaluated on a histopathological image dataset, where Capsule-ConvKAN achieved the highest classification performance with an accuracy of 91.21\%. The results demonstrate the potential of the newly introduced Capsule-ConvKAN in capturing spatial patterns, managing complex features, and addressing the limitations of traditional convolutional models in medical image classification.
• Abstract（参考訳）: 本研究では、畳み込みニューラルネットワーク、カプセルネットワーク、畳み込みコルモゴロフ-アルノルドネットワーク、新しく提案されたカプセル-畳み込みコルモゴロフ-アルノルドネットワークの4つのニューラルネットワークアーキテクチャを包括的に比較する。 提案したCapsule-ConvKANアーキテクチャは、Capsule Networkの動的ルーティングと空間階層機能と、Convolutional Kolmogorov-Arnold Networksのフレキシブルで解釈可能な関数近似を組み合わせたものである。 このハイブリッドモデルは,特に実世界のバイオメディカル画像データにおいて,特徴表現と分類精度を向上させるために開発された。 アーキテクチャは病理画像データセットで評価され、Capsule-ConvKANは91.21\%の精度で最高の分類性能を達成した。 その結果、空間パターンのキャプチャ、複雑な特徴の管理、医用画像分類における従来の畳み込みモデルの限界への対処において、新たに導入されたCapsule-ConvKANの可能性が示された。

関連論文リスト

• KANICE: Kolmogorov-Arnold Networks with Interactive Convolutional Elements [1.663204995903499]
  コンボリューショナルニューラルネットワーク(CNN)とコルモゴロフ・アルノルドネットワーク(KAN)の原理を組み合わせた,新しいニューラルネットワークアーキテクチャであるKanICEを紹介する。 KanICEはInteractive Convolutional Blocks (ICB) と Kan の線形層を CNN フレームワークに統合する。 MNIST, Fashion-MNIST, EMNIST, SVHNの4つのデータセットを用いて,KanICEの評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T16:50:34Z)
• Convolutional Kolmogorov-Arnold Networks [41.94295877935867]
  我々はConvolutional Kolmogorov-Arnold Networks(KANs)を紹介する。 Kanは従来の固定重カーネルを学習可能な非線形関数に置き換える。 我々は、Fashion-MNISTデータセット上でConvolutional Kansを評価し、ベースラインCNNと比較して最大50%少ないパラメータで競合精度を実証した。
  論文  参考訳（メタデータ） (2024-06-19T02:09:44Z)
• Leveraging Spatial and Semantic Feature Extraction for Skin Cancer Diagnosis with Capsule Networks and Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とCapsule Networksを統合して,分類性能を向上させるという,革新的なアプローチを提案する。 本稿では,Tiny Pyramid Vision GNN(Tiny Pyramid ViG)アーキテクチャをCapsule Networkに組み込んで評価・拡張することに焦点を当てた。 75回のトレーニングの後、我々のモデルは89.23%と95.52%に達し、既存のベンチマークを上回った。
  論文  参考訳（メタデータ） (2024-03-18T17:47:39Z)
• Asymmetric Co-Training with Explainable Cell Graph Ensembling for Histopathological Image Classification [28.949527817202984]
  本稿では,深部グラフ畳み込みニューラルネットワークと畳み込みニューラルネットワークを組み合わせた非対称協調学習フレームワークを提案する。 セルグラフデータを扱う14層ディープグラフ畳み込みネットワークを構築した。 プライベートLUAD7Cおよびパブリック大腸癌データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2023-08-24T12:27:03Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Contrastive Representation Learning for Whole Brain Cytoarchitectonic Mapping in Histological Human Brain Sections [0.4588028371034407]
  本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。 この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-25T16:44:23Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。