論文の概要: Towards Optimal Convolutional Transfer Learning Architectures for Breast Lesion Classification and ACL Tear Detection

• arxiv url: http://arxiv.org/abs/2508.17567v2
• Date: Tue, 26 Aug 2025 02:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 13:17:04.06756
• Title: Towards Optimal Convolutional Transfer Learning Architectures for Breast Lesion Classification and ACL Tear Detection
• Title（参考訳）: 乳腺病変分類とACLティア検出のための最適畳み込み変換学習アーキテクチャの実現に向けて
• Authors: Daniel Frees, Moritz Bolling, Aditri Bhagirath,
• Abstract要約: 転送学習は、小さなデータ上での高性能モデルの微調整における重要なソリューションとして現れてきた。 本研究は, 乳腺病変の悪性度検出およびACL裂傷検出に最適なCNNアーキテクチャを決定するために, 包括的調査を行うことにより, Mei et al. (2022) を拡張した。 以上の結果から, スキップ接続, ResNet50 トレーニングバックボーン, 部分的背骨凍結は, 医用分類性能が最適であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.492929866765164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern computer vision models have proven to be highly useful for medical imaging classification and segmentation tasks, but the scarcity of medical imaging data often limits the efficacy of models trained from scratch. Transfer learning has emerged as a pivotal solution to this, enabling the fine-tuning of high-performance models on small data. Mei et al. (2022) found that pre-training CNNs on a large dataset of radiologist-labeled images (RadImageNet) enhanced model performance on downstream tasks compared to ImageNet pretraining. The present work extends Mei et al. (2022) by conducting a comprehensive investigation to determine optimal CNN architectures for breast lesion malignancy detection and ACL tear detection, as well as performing statistical analysis to compare the effect of RadImageNet and ImageNet pre-training on downstream model performance. Our findings suggest that 1-dimensional convolutional classifiers with skip connections, ResNet50 pre-trained backbones, and partial backbone unfreezing yields optimal downstream medical classification performance. Our best models achieve AUCs of 0.9969 for ACL tear detection and 0.9641 for breast nodule malignancy detection, competitive with the results reported by Mei et al. (2022) and surpassing other previous works. We do not find evidence confirming RadImageNet pre-training to provide superior downstream performance for ACL tear and breast lesion classification tasks.
• Abstract（参考訳）: 現代のコンピュータビジョンモデルは、医療画像分類やセグメンテーションのタスクに非常に有用であることが証明されているが、医療画像データの不足は、しばしばゼロから訓練されたモデルの有効性を制限している。 転送学習は、これに対する重要なソリューションとして現れ、小さなデータ上での高性能モデルの微調整を可能にしている。 Mei et al (2022) は、RadImageNet (RadImageNet) の大規模なデータセット上の事前トレーニングCNNが、ImageNetの事前トレーニングと比較して下流タスクにおけるモデルパフォーマンスを向上することを発見した。 本研究は,乳腺病変の悪性度検出とACL断裂検出に最適なCNNアーキテクチャを決定するための包括的調査を行い,RadImageNetとImageNetの事前学習が下流モデル性能に与える影響を統計的に比較すると共に,Mei et al (2022)を拡張した。 以上の結果から, スキップ接続, ResNet50 トレーニングバックボーン, 部分的背骨凍結は, 医用分類性能が最適であることが示唆された。 また, 乳腺結節悪性度検出では0.9969, 乳腺結節悪性度検出では0.9641であり, Mei et al (2022) が報告した結果と競合し, 過去の成果を上回った。 RadImageNetの事前トレーニングがACL損傷および乳房病変分類タスクに優れたダウンストリーム性能をもたらす証拠は見つからない。

関連論文リスト

• Classification based deep learning models for lung cancer and disease using medical images [2.0809985825763198]
  本稿では、確立されたResNetフレームワークをベースにした、ResNet+と呼ばれる新しいディープ畳み込みニューラルネットワーク(CNN)モデルを紹介する。 実験の結果、ResNet+モデルは、LC25000データセットで98.14/98.14%、IQ-OTH/NCCDデータセットで99.25/99.13%に達している。
  論文  参考訳（メタデータ） (2025-07-02T01:36:29Z)
• MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
  本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。 提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。 この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
  論文  参考訳（メタデータ） (2024-11-02T07:18:53Z)
• 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)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images [0.0]
  畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
  論文  参考訳（メタデータ） (2022-12-28T11:48:29Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。