論文の概要: An Efficient Medical Image Classification Method Based on a Lightweight Improved ConvNeXt-Tiny Architecture
- arxiv url: http://arxiv.org/abs/2508.11532v1
- Date: Fri, 15 Aug 2025 15:20:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:24.06374
- Title: An Efficient Medical Image Classification Method Based on a Lightweight Improved ConvNeXt-Tiny Architecture
- Title（参考訳）: 軽量化ConvNeXt-Tinyアーキテクチャに基づく医用画像の効率的な分類法
- Authors: Jingsong Xia, Yue Yin, Xiuhan Li,
- Abstract要約: 本研究では,改良型ConvNeXt-Tinyアーキテクチャに基づく医用画像分類手法を提案する。
提案手法は,計算複雑性を低減しつつ,特徴抽出能力と分類性能を向上させる。
実験により,提案手法は資源制限条件下での医用画像の分類を効果的に改善することを示した。
- 参考スコア（独自算出の注目度）: 1.4587927509092535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent analysis of medical imaging plays a crucial role in assisting clinical diagnosis. However, achieving efficient and high-accuracy image classification in resource-constrained computational environments remains challenging. This study proposes a medical image classification method based on an improved ConvNeXt-Tiny architecture. Through structural optimization and loss function design, the proposed method enhances feature extraction capability and classification performance while reducing computational complexity. Specifically, the method introduces a dual global pooling (Global Average Pooling and Global Max Pooling) feature fusion strategy into the ConvNeXt-Tiny backbone to simultaneously preserve global statistical features and salient response information. A lightweight channel attention module, termed Squeeze-and-Excitation Vector (SEVector), is designed to improve the adaptive allocation of channel weights while minimizing parameter overhead. Additionally, a Feature Smoothing Loss is incorporated into the loss function to enhance intra-class feature consistency and suppress intra-class variance. Under CPU-only conditions (8 threads), the method achieves a maximum classification accuracy of 89.10% on the test set within 10 training epochs, exhibiting a stable convergence trend in loss values. Experimental results demonstrate that the proposed method effectively improves medical image classification performance in resource-limited settings, providing a feasible and efficient solution for the deployment and promotion of medical imaging analysis models.
- Abstract（参考訳）: 医療画像のインテリジェント分析は、臨床診断を支援する上で重要な役割を担っている。
しかし、資源制約のある計算環境において、効率的かつ高精度な画像分類を実現することは依然として困難である。
本研究では,改良型ConvNeXt-Tinyアーキテクチャに基づく医用画像分類手法を提案する。
構造最適化と損失関数設計により,計算複雑性を低減しつつ特徴抽出能力と分類性能を向上させる。
具体的には,2つのグローバルプール(Global Average PoolingとGlobal Max Pooling)機能融合戦略をConvNeXt-Tinyバックボーンに導入し,グローバルな統計的特徴と健全な応答情報を同時に保存する。
SEVector(Squeeze-and-Excitation Vector)と呼ばれる軽量チャネルアテンションモジュールは、パラメータのオーバーヘッドを最小限に抑えつつ、チャネルウェイトを適応的に割り当てることを目的としている。
さらに、クラス内の特徴の一貫性を高め、クラス内の分散を抑制するために、クラス内の特徴の平滑化損失を損失関数に組み込む。
CPUのみの条件(8スレッド)では、10のトレーニングエポック内のテストセットで89.10%の最大分類精度を達成し、損失値の安定収束傾向を示す。
実験により,提案手法は資源制限条件下での医用画像分類性能を効果的に向上し,医用画像解析モデルの展開と促進に有効かつ効率的なソリューションを提供することを示した。
関連論文リスト
- ClipGS: Clippable Gaussian Splatting for Interactive Cinematic Visualization of Volumetric Medical Data [51.095474325541794]
医用データのインタラクティブなシネマティック可視化のためのクリッピングプレーンを備えた革新的なガウススプレイティングフレームワークであるClipGSを紹介した。
本手法を5つのボリューム医療データで検証し,平均36.635 PSNRレンダリング品質を156 FPS,16.1MBモデルサイズで達成した。
論文 参考訳（メタデータ） (2025-07-09T08:24:28Z) - Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。
その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
論文 参考訳（メタデータ） (2025-06-06T11:52:07Z) - An incremental algorithm for non-convex AI-enhanced medical image processing [0.0]
医用画像における逆問題を解決するために,モデルに基づく最適化とディープラーニングに基づく手法を統合したハイブリッドフレームワークを提案する。
IncDGは従来の反復解法と深層学習法の両方に優れ、精度と安定性が向上することを示す。
IncDGは性能を著しく低下させるものではないと結論付けた。
論文 参考訳（メタデータ） (2025-05-13T08:03:14Z) - Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。
提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
論文 参考訳（メタデータ） (2025-05-11T13:51:56Z) - Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。
本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。
解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
論文 参考訳（メタデータ） (2025-03-12T13:16:42Z) - A Cascaded Dilated Convolution Approach for Mpox Lesion Classification [0.0]
Mpoxウイルスは、他の皮膚疾患と視覚的に類似しているため、重要な診断上の課題を呈する。
深層学習に基づく皮膚病変分類のアプローチは、有望な代替手段を提供する。
本稿では,これらの課題に対処するためのCascaded Atrous Group Attentionフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-12-13T12:47:30Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Sample Less, Learn More: Efficient Action Recognition via Frame Feature
Restoration [59.6021678234829]
本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。
提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
論文 参考訳（メタデータ） (2023-07-27T13:52:42Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Brain tumor grade classification Using LSTM Neural Networks with Domain
Pre-Transforms [0.0]
本稿では,手工芸品の組み合わせに基づく弱教師付き画像分類手法を提案する。
本研究では,脳腫瘍のグレードを実験的に分類し,256 x 256の解像度で術式の評価を行った。
論文 参考訳（メタデータ） (2021-06-21T07:04:52Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。