論文の概要: Breast Cancer Detection in Thermographic Images via Diffusion-Based Augmentation and Nonlinear Feature Fusion

• arxiv url: http://arxiv.org/abs/2509.07277v1
• Date: Mon, 08 Sep 2025 23:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.142531
• Title: Breast Cancer Detection in Thermographic Images via Diffusion-Based Augmentation and Nonlinear Feature Fusion
• Title（参考訳）: 拡散法による拡張と非線形特徴融合による熱画像の乳癌検出
• Authors: Sepehr Salem, M. Moein Esfahani, Jingyu Liu, Vince Calhoun,
• Abstract要約: データ拡張のための拡散確率モデル (DPM) を用いた熱電図における乳がん分類の枠組みを提案する。 我々のDPMベースの拡張は従来の手法とProGANベースラインの両方よりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 2.7823025218402733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data scarcity hinders deep learning for medical imaging. We propose a framework for breast cancer classification in thermograms that addresses this using a Diffusion Probabilistic Model (DPM) for data augmentation. Our DPM-based augmentation is shown to be superior to both traditional methods and a ProGAN baseline. The framework fuses deep features from a pre-trained ResNet-50 with handcrafted nonlinear features (e.g., Fractal Dimension) derived from U-Net segmented tumors. An XGBoost classifier trained on these fused features achieves 98.0\% accuracy and 98.1\% sensitivity. Ablation studies and statistical tests confirm that both the DPM augmentation and the nonlinear feature fusion are critical, statistically significant components of this success. This work validates the synergy between advanced generative models and interpretable features for creating highly accurate medical diagnostic tools.
• Abstract（参考訳）: データ不足は、医療画像の深層学習を妨げる。 データ拡張のための拡散確率モデル (DPM) を用いた熱電図における乳がん分類の枠組みを提案する。 我々のDPMベースの拡張は従来の手法とProGANベースラインの両方よりも優れていることが示されている。 このフレームワークは、U-Netセグメントの腫瘍から派生した手作りの非線形特徴(例えばフラクタル次元)で、事前訓練されたResNet-50の深い特徴を融合させる。 これらの融合特徴に基づいて訓練されたXGBoost分類器は、98.0\%の精度と98.1\%の感度を達成する。 アブレーション研究と統計検査により、DPM増強と非線形特徴融合が、この成功の重要な要素であることが明らかとなった。 この研究は、高度に正確な医療診断ツールを作成するための高度な生成モデルと解釈可能な特徴の相乗効果を検証する。

関連論文リスト

• Attention-Enhanced Deep Learning Ensemble for Breast Density Classification in Mammography [0.0]
  本研究では,乳房密度の頑健な二分分類のための自動深層学習システムを提案する。 先進的な畳み込みニューラルネットワークを4つ実装し比較した。 焦点損失, ラベルの平滑化, およびクラスバランスの重み付けを併用した, 新規な焦点ラベル平滑化機能を開発した。
  論文  参考訳（メタデータ） (2025-07-08T21:26:33Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
  本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。 その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
  論文  参考訳（メタデータ） (2024-02-12T01:03:39Z)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。