論文の概要: Improving Diagnostic Accuracy for Oral Cancer with inpainting Synthesis Lesions Generated Using Diffusion Models

• arxiv url: http://arxiv.org/abs/2508.06151v1
• Date: Fri, 08 Aug 2025 09:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.169516
• Title: Improving Diagnostic Accuracy for Oral Cancer with inpainting Synthesis Lesions Generated Using Diffusion Models
• Title（参考訳）: 拡散モデルを用いた着色合成病変による口腔癌の診断精度の向上
• Authors: Yong Oh Lee, JeeEun Kim, Jung Woo Lee,
• Abstract要約: 本研究は, 現実的な口腔癌病変を合成することにより, 診断精度を高めるための新しいアプローチを提案する。 複数のソースから包括的なデータセットを収集し,さまざまな口腔癌像を収録した。 本手法は, 実際の病変に対して高い視覚的忠実度を示す合成病変を生成し, 診断アルゴリズムの性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 10.024315303779831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In oral cancer diagnostics, the limited availability of annotated datasets frequently constrains the performance of diagnostic models, particularly due to the variability and insufficiency of training data. To address these challenges, this study proposed a novel approach to enhance diagnostic accuracy by synthesizing realistic oral cancer lesions using an inpainting technique with a fine-tuned diffusion model. We compiled a comprehensive dataset from multiple sources, featuring a variety of oral cancer images. Our method generated synthetic lesions that exhibit a high degree of visual fidelity to actual lesions, thereby significantly enhancing the performance of diagnostic algorithms. The results show that our classification model achieved a diagnostic accuracy of 0.97 in differentiating between cancerous and non-cancerous tissues, while our detection model accurately identified lesion locations with 0.85 accuracy. This method validates the potential for synthetic image generation in medical diagnostics and paves the way for further research into extending these methods to other types of cancer diagnostics.
• Abstract（参考訳）: 口腔癌診断では、注釈付きデータセットの可用性が限られているため、診断モデルの性能が制限されることが多い。 これらの課題に対処するために, 微調整拡散モデルを用いた塗布法を用いて, 現実的な口腔癌病変を合成し, 診断精度を高める手法を提案する。 複数のソースから包括的なデータセットを収集し,さまざまな口腔癌像を収録した。 本手法は, 実際の病変に対して高い視覚的忠実度を示す合成病変を生成し, 診断アルゴリズムの性能を著しく向上させる。 その結果,癌組織と非癌組織との鑑別では0.97の診断精度が得られた。 本手法は、医用診断における合成画像生成の可能性を検証するとともに、これらの手法を他の種類のがん診断に拡張するためのさらなる研究の道を開くものである。

関連論文リスト

• PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
  病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。 我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。 当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
  論文  参考訳（メタデータ） (2025-05-26T16:42:22Z)
• Towards Better Cephalometric Landmark Detection with Diffusion Data Generation [43.381003080365254]
  本研究では,人間の介入を伴わない,多様な頭部X線画像とそれに対応するアノテーションを生成できる革新的なデータ生成手法を開発した。 詳細なプロンプトを活用することで,異なるスタイルや属性を制御できるように生成プロセスを改善する。 生成したデータを使用しない手法と比較して,SDR(Success Detection Rate)が6.5%向上し,82.2%が顕著となった。
  論文  参考訳（メタデータ） (2025-05-09T13:50:27Z)
• Hybrid deep convolution model for lung cancer detection with transfer learning [0.0]
  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。 我々は,MSNN(Maximum Sensitivity Neural Network)と呼ばれる伝達学習を利用したハイブリッド深層畳み込みモデルを提案する。 MSNNは、感度と特異性を改善することにより、肺がん検出の精度を向上させるように設計されている。
  論文  参考訳（メタデータ） (2025-01-06T06:01:01Z)
• MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
  CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。 本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T17:52:00Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。