論文の概要: Advanced Deep Learning Techniques for Accurate Lung Cancer Detection and Classification

• arxiv url: http://arxiv.org/abs/2508.06287v1
• Date: Fri, 08 Aug 2025 13:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.234626
• Title: Advanced Deep Learning Techniques for Accurate Lung Cancer Detection and Classification
• Title（参考訳）: 肺癌の正確な診断・分類のための高度な深層学習技術
• Authors: Mobarak Abumohsen, Enrique Costa-Montenegro, Silvia García-Méndez, Amani Yousef Owda, Majdi Owda,
• Abstract要約: 肺がんは最も頻繁に診断されるがんの1つであり、世界中で男性や女性にとって最も多い死因の1つである。 CT画像は,低コスト,高速な処理により,最も望ましい診断法である。 本稿では,DenseNet201モデルに基づくCT画像からのLC検出と分類のための革新的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 4.781497300846889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer (LC) ranks among the most frequently diagnosed cancers and is one of the most common causes of death for men and women worldwide. Computed Tomography (CT) images are the most preferred diagnosis method because of their low cost and their faster processing times. Many researchers have proposed various ways of identifying lung cancer using CT images. However, such techniques suffer from significant false positives, leading to low accuracy. The fundamental reason results from employing a small and imbalanced dataset. This paper introduces an innovative approach for LC detection and classification from CT images based on the DenseNet201 model. Our approach comprises several advanced methods such as Focal Loss, data augmentation, and regularization to overcome the imbalanced data issue and overfitting challenge. The findings show the appropriateness of the proposal, attaining a promising performance of 98.95% accuracy.
• Abstract（参考訳）: 肺がんは最も頻繁に診断されるがんの1つであり、世界中で男性や女性にとって最も多い死因の1つである。 CT画像は,低コスト,高速な処理により,最も望ましい診断法である。 多くの研究者がCT画像を用いて肺がんを同定する方法を提案している。 しかし、このような手法は重大な偽陽性に悩まされ、精度が低下する。 根本的な理由は、小さくてバランスの取れないデータセットを使うことである。 本稿では,DenseNet201モデルに基づくCT画像からのLC検出と分類のための革新的なアプローチを提案する。 我々のアプローチは、不均衡なデータ問題と過度に適合する課題を克服するために、Focal Loss、データ拡張、正規化などの先進的な方法で構成されている。 この結果は,提案の妥当性を示し,98.95%の精度で有望な性能を達成した。

関連論文リスト

• MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification [0.0]
  肺癌と大腸癌は、がんの死亡率に大きく寄与する。 異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。 改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。 提案モデルの精度は99.30%,96.63%,97.56%であった。
  論文  参考訳（メタデータ） (2024-12-23T16:31:45Z)
• Optimizing Lung Cancer Detection in CT Imaging: A Wavelet Multi-Layer Perceptron (WMLP) Approach Enhanced by Dragonfly Algorithm (DA) [0.294944680995069]
  本研究では,CTスキャン画像から肺がんを分類するための最先端のディープラーニングフレームワークを提案する。 この研究には、画像前処理戦略、特にCannyエッジ検出とウェーブレット変換が含まれる。 この手法は99.82%の優れた訓練と検査精度を達成し、肺癌の正確な診断の有効性と信頼性を裏付けている。
  論文  参考訳（メタデータ） (2024-08-27T18:27:47Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
  胸部X線(CXR)を低分解能で診断する上での課題について検討した。 高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。 本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T06:10:54Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
  本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。 ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2023-10-05T07:48:55Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Deep Learning Methods for Lung Cancer Segmentation in Whole-slide Histopathology Images -- the ACDC@LungHP Challenge 2019 [21.633644093719624]
  ACDC@LungHPチャレンジは、全スライド画像(WSI)におけるがん組織のセグメンテーション(ピクセルワイズ検出)に焦点を当てている 本稿では,この課題を概説し,肺がんセグメンテーションの方法のトップ10を要約する。 深層学習に基づく手法は、WSIにおける肺がんのさらなる分析のために、病理学者が不審な領域を見つけるのに役立つ可能性がある。
  論文  参考訳（メタデータ） (2020-08-21T07:52:11Z)
• Momentum Contrastive Learning for Few-Shot COVID-19 Diagnosis from Chest CT Images [41.73507451077361]
  本稿では,新型コロナウイルスの自動診断のための新しい深層学習アルゴリズムを提案する。 コントラスト学習を用いてエンコーダを訓練し,大規模かつ一般公開された肺データセット上の表現的特徴表現をキャプチャする。 以上の結果より,胸部CT画像による新型コロナウイルスの正確な診断におけるモデルの有用性が示唆された。
  論文  参考訳（メタデータ） (2020-06-16T10:14:58Z)

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。