論文の概要: Deep Learning Framework for Early Detection of Pancreatic Cancer Using Multi-Modal Medical Imaging Analysis
- arxiv url: http://arxiv.org/abs/2508.20877v2
- Date: Thu, 11 Sep 2025 16:54:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-12 13:52:32.830989
- Title: Deep Learning Framework for Early Detection of Pancreatic Cancer Using Multi-Modal Medical Imaging Analysis
- Title（参考訳）: マルチモーダル医用画像解析を用いた早期膵癌診断のためのディープラーニングフレームワーク
- Authors: Dennis Slobodzian, Amir Kordijazi,
- Abstract要約: 膵管腺癌(PDAC)は最も致命的ながんの1つである。
本研究はPDAC早期検出のためのディープラーニングフレームワークを開発し,検証する。
- 参考スコア（独自算出の注目度）: 0.7161783472741748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pacreatic ductal adenocarcinoma (PDAC) remains one of the most lethal forms of cancer, with a five-year survival rate below 10% primarily due to late detection. This research develops and validates a deep learning framework for early PDAC detection through analysis of dual-modality imaging: autofluorescence and second harmonic generation (SHG). We analyzed 40 unique patient samples to create a specialized neural network capable of distinguishing between normal, fibrotic, and cancerous tissue. Our methodology evaluated six distinct deep learning architectures, comparing traditional Convolutional Neural Networks (CNNs) with modern Vision Transformers (ViTs). Through systematic experimentation, we identified and overcome significant challenges in medical image analysis, including limited dataset size and class imbalance. The final optimized framework, based on a modified ResNet architecture with frozen pre-trained layers and class-weighted training, achieved over 90% accuracy in cancer detection. This represents a significant improvement over current manual analysis methods an demonstrates potential for clinical deployment. This work establishes a robust pipeline for automated PDAC detection that can augment pathologists' capabilities while providing a foundation for future expansion to other cancer types. The developed methodology also offers valuable insights for applying deep learning to limited-size medical imaging datasets, a common challenge in clinical applications.
- Abstract（参考訳）: 膵管腺癌(PDAC)は最も致命的ながんの1つであり,5年生存率は10%以下である。
本研究は, 自己蛍光と第2高調波発生(SHG)の2重モード画像解析によるPDAC早期検出のためのディープラーニングフレームワークを開発し, 検証する。
正常組織, 線維性組織, 癌組織を識別できる, 特殊なニューラルネットワークを構築するために, 40種類のユニークな患者サンプルを解析した。
提案手法は,従来の畳み込みニューラルネットワーク(CNN)と現代の視覚変換器(ViT)を比較し,6つの異なるディープラーニングアーキテクチャを評価した。
組織的な実験を通じて、限られたデータセットサイズやクラス不均衡など、医用画像解析における重要な課題を特定し、克服した。
最終最適化フレームワークは、凍結した事前トレーニングされたレイヤとクラス重み付きトレーニングを備えた改良されたResNetアーキテクチャに基づいており、がん検出において90%以上の精度を達成した。
これは、現在の手動分析法よりも大幅に改善され、臨床展開の可能性を示している。
この研究はPDAC自動検出のための堅牢なパイプラインを確立し、病理学者の能力を増強し、他のがん種への将来の拡大の基礎を提供する。
開発された手法はまた、臨床応用において共通の課題である、限られたサイズの医療画像データセットにディープラーニングを適用するための貴重な洞察を提供する。
関連論文リスト
- A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis [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。
従来の畳み込みニューラルネットワーク(CNN)は、医療画像解析においてかなりの可能性を秘めている。
本研究では,Chebyshev-CNNを組み込んだハイブリッドディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-04-09T12:02:56Z) - Medical Artificial Intelligence for Early Detection of Lung Cancer: A Survey [11.90341994990241]
肺がんは世界中で致死率と死亡率の主要な原因の1つである。
コンピュータ支援診断システムは肺結節の検出と分類に有効であることが証明されている。
深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
論文 参考訳（メタデータ） (2024-10-18T17:45:42Z) - CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳（メタデータ） (2024-07-18T01:42:00Z) - Federated Learning with Research Prototypes for Multi-Center MRI-based
Detection of Prostate Cancer with Diverse Histopathology [3.8613414331251423]
前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。
前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。
我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
論文 参考訳（メタデータ） (2022-06-11T21:28:17Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - OncoPetNet: A Deep Learning based AI system for mitotic figure counting
on H&E stained whole slide digital images in a large veterinary diagnostic
lab setting [47.38796928990688]
OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。
提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。
デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
論文 参考訳（メタデータ） (2021-08-17T20:01:33Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。