Fugu-MT 論文翻訳(概要): Advanced U-Net Architectures with CNN Backbones for Automated Lung Cancer Detection and Segmentation in Chest CT Images

論文の概要: Advanced U-Net Architectures with CNN Backbones for Automated Lung Cancer Detection and Segmentation in Chest CT Images

arxiv url: http://arxiv.org/abs/2507.09898v2
Date: Tue, 22 Jul 2025 23:40:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 12:00:05.622917
Title: Advanced U-Net Architectures with CNN Backbones for Automated Lung Cancer Detection and Segmentation in Chest CT Images
Title（参考訳）: 胸部CT画像における肺癌自動検出・分節のためのCNNバックボーンを用いた新しいU-Netアーキテクチャ
Authors: Alireza Golkarieh, Kiana Kiashemshaki, Sajjad Rezvani Boroujeni, Nasibeh Asadi Isakan,
Abstract要約: 本研究では, 各種畳み込みニューラルネットワーク(CNN)のバックボーンと統合したU-Netアーキテクチャの有効性について検討し, 胸部CT画像における肺がんの自動検出とセグメンテーションについて検討した。 U-Netモデルは3つのCNNバックボーン(ResNet50、VGG16、Xception)で開発された。分類において、U-Net with Xceptionを用いたCNNモデルは99.1%の精度、99.74パーセントのリコール、99.42パーセントのF1スコアを達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study investigates the effectiveness of U-Net architectures integrated with various convolutional neural network (CNN) backbones for automated lung cancer detection and segmentation in chest CT images, addressing the critical need for accurate diagnostic tools in clinical settings. A balanced dataset of 832 chest CT images (416 cancerous and 416 non-cancerous) was preprocessed using Contrast Limited Adaptive Histogram Equalization (CLAHE) and resized to 128x128 pixels. U-Net models were developed with three CNN backbones: ResNet50, VGG16, and Xception, to segment lung regions. After segmentation, CNN-based classifiers and hybrid models combining CNN feature extraction with traditional machine learning classifiers (Support Vector Machine, Random Forest, and Gradient Boosting) were evaluated using 5-fold cross-validation. Metrics included accuracy, precision, recall, F1-score, Dice coefficient, and ROC-AUC. U-Net with ResNet50 achieved the best performance for cancerous lungs (Dice: 0.9495, Accuracy: 0.9735), while U-Net with VGG16 performed best for non-cancerous segmentation (Dice: 0.9532, Accuracy: 0.9513). For classification, the CNN model using U-Net with Xception achieved 99.1 percent accuracy, 99.74 percent recall, and 99.42 percent F1-score. The hybrid CNN-SVM-Xception model achieved 96.7 percent accuracy and 97.88 percent F1-score. Compared to prior methods, our framework consistently outperformed existing models. In conclusion, combining U-Net with advanced CNN backbones provides a powerful method for both segmentation and classification of lung cancer in CT scans, supporting early diagnosis and clinical decision-making.
Abstract（参考訳）: 本研究では, 各種畳み込みニューラルネットワーク(CNN)のバックボーンと統合したU-Netアーキテクチャの胸部CT画像における自動肺がん検出とセグメンテーションへの応用について検討し, 臨床現場における正確な診断ツールの必要性に対処する。 Contrast Limited Adaptive Histogram Equalization (CLAHE) を用いて832個の胸部CT画像(癌416、非癌416)を前処理し,128×128ピクセルに再構成した。 U-Netモデルは3つのCNNバックボーン(ResNet50、VGG16、Xception)で開発された。セグメンテーション後、CNN特徴抽出と従来の機械学習分類器(Support Vector Machine, Random Forest, Gradient Boosting)を組み合わせたCNN特徴抽出とハイブリッドモデルの評価を行った。メトリクスには精度、精度、リコール、F1スコア、Dice係数、ROC-AUCが含まれていた。 U-Net with ResNet50はがん肺(Dice: 0.9495, Accuracy: 0.9735)で最高の成績を収め、U-Net with VGG16は非癌性セグメンテーション(Dice: 0.9532, Accuracy: 0.9513)で最高の成績を挙げた。分類において、U-Net with Xceptionを用いたCNNモデルは99.1%の精度、99.74パーセントのリコール、99.42パーセントのF1スコアを達成した。ハイブリッドCNN-SVM-Xceptionモデルは96.7%の精度と97.88パーセントのF1スコアを達成した。従来の手法と比較して、我々のフレームワークは既存のモデルよりも一貫して優れていた。結論として、U-Netと高度なCNNバックボーンを組み合わせることで、CTスキャンにおける肺がんの分節化と分類の両面で強力な方法が得られ、早期診断と臨床的意思決定が支援される。

関連論文リスト

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)
CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis [6.2997667081978825]
CT-xCOVは、Deep Learning(DL)をCTスキャンに用いた新型コロナウイルス診断のための説明可能なフレームワークである。肺のセグメンテーションでは、よく知られたU-Netモデルを使用し、COVID-19検出では、3つの異なるCNNアーキテクチャを比較した。視覚的説明のために、我々は3つの異なるXAI技術、すなわちGrad-Cam、Integrated Gradient (IG)、LIMEを適用した。
論文参考訳（メタデータ） (2023-11-24T13:14:10Z)
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)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Predicting skull fractures via CNN with classification algorithms [0.0]
ResNet50は、頭蓋骨の骨折を脳のCTスキャンから3つの骨折カテゴリに分類するために開発された。 F1スコアは96%、ハミングスコアは95%、バランスドスコアは94%、OC AUC曲線は96%であった。
論文参考訳（メタデータ） (2022-08-14T01:37:23Z)
Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images [9.757905285805553]
GMM-CNNと呼ばれるパラメトリックな特徴は、Coronavirus Disease 2019患者の胸部CTとX線スキャンに由来する。以上の結果から,GMM-CNNは胸部CTおよびX線検査で新型コロナウイルスの予測を改善できる可能性が示唆された。
論文参考訳（メタデータ） (2022-06-04T04:10:21Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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 Light CNN for detecting COVID-19 from CT scans of the chest [9.088303226909279]
OVID-19は世界保健機関(WHO)によってパンデミックと宣言された世界規模の病気である。深層学習は医学画像や畳み込みニューラルネットワーク(CNN)にも広く使われており、CT画像の分類にも使われている。我々は,SqueezeNetのモデルに基づく軽量CNN設計を提案し,新型コロナウイルスのCT画像の効率的な識別を行う。
論文参考訳（メタデータ） (2020-04-24T07:58:49Z)

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。