論文の概要: Accurate Thyroid Cancer Classification using a Novel Binary Pattern Driven Local Discrete Cosine Transform Descriptor

• arxiv url: http://arxiv.org/abs/2509.16382v1
• Date: Fri, 19 Sep 2025 19:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.766064
• Title: Accurate Thyroid Cancer Classification using a Novel Binary Pattern Driven Local Discrete Cosine Transform Descriptor
• Title（参考訳）: 新しいバイナリパターン駆動型局所離散コサイン変換記述子を用いた甲状腺癌の正確な分類
• Authors: Saurabh Saini, Kapil Ahuja, Marc C. Steinbach, Thomas Wick,
• Abstract要約: 我々は特徴抽出に重点を置いた甲状腺癌分類のための新しいCADシステムの開発を行った。 われわれは新しい記述子をバイナリパターン駆動型局所離散コサイン変換(BPD-LDCT)と呼ぶ。
• 参考スコア（独自算出の注目度）: 3.663197678470621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we develop a new CAD system for accurate thyroid cancer classification with emphasis on feature extraction. Prior studies have shown that thyroid texture is important for segregating the thyroid ultrasound images into different classes. Based upon our experience with breast cancer classification, we first conjuncture that the Discrete Cosine Transform (DCT) is the best descriptor for capturing textural features. Thyroid ultrasound images are particularly challenging as the gland is surrounded by multiple complex anatomical structures leading to variations in tissue density. Hence, we second conjuncture the importance of localization and propose that the Local DCT (LDCT) descriptor captures the textural features best in this context. Another disadvantage of complex anatomy around the thyroid gland is scattering of ultrasound waves resulting in noisy and unclear textures. Hence, we third conjuncture that one image descriptor is not enough to fully capture the textural features and propose the integration of another popular texture capturing descriptor (Improved Local Binary Pattern, ILBP) with LDCT. ILBP is known to be noise resilient as well. We term our novel descriptor as Binary Pattern Driven Local Discrete Cosine Transform (BPD-LDCT). Final classification is carried out using a non-linear SVM. The proposed CAD system is evaluated on the only two publicly available thyroid cancer datasets, namely TDID and AUITD. The evaluation is conducted in two stages. In Stage I, thyroid nodules are categorized as benign or malignant. In Stage II, the malignant cases are further sub-classified into TI-RADS (4) and TI-RADS (5). For Stage I classification, our proposed model demonstrates exceptional performance of nearly 100% on TDID and 97% on AUITD. In Stage II classification, the proposed model again attains excellent classification of close to 100% on TDID and 99% on AUITD.
• Abstract（参考訳）: 本研究では,特徴抽出に着目した甲状腺癌分類のための新しいCADシステムの開発を行った。 従来の研究では、甲状腺超音波像を異なる分類に分離するために甲状腺のテクスチャが重要であることが示されている。 乳がん分類の経験から,DCT(Discrete Cosine Transform)がテクスチャの特徴を捉えるのに最適な記述法であることを示す。 甲状腺超音波画像は、腺が複数の複雑な解剖学的構造に囲まれ、組織密度の変動につながるため、特に困難である。 そこで本研究では,局所化の重要性を第2に確認し,ローカルDCT(LDCT)ディスクリプタが,この文脈で最高のテクスチャ特徴を捉えることを提案する。 甲状腺周辺の複雑な解剖のもう1つの欠点は、超音波の散乱であり、ノイズと不明瞭なテクスチャをもたらす。 したがって,1つの画像記述子ではテクスチャの特徴を完全に把握できないこと,また,他の一般的なテクスチャキャプチャ記述子(Improved Local Binary Pattern, ILBP)とLDCTを統合することを提案する。 ILBPは耐雑音性も知られている。 われわれは,新しい記述子をBPD-LDCT(Binary Pattern Driven Local Discrete Cosine Transform)と呼ぶ。 最終分類は非線形SVMを用いて行われる。 提案したCADシステムはTDIDとAUITDの2つの甲状腺癌データセットで評価されている。 評価は2段階で行われる。 ステージIでは、甲状腺結節は良性または悪性に分類される。 II期では、悪性はTI-RADS (4) とTI-RADS (5) に分類される。 ステージI分類では,TDIDが100%,AUITDが97%の例外的性能を示した。 ステージII分類では、提案モデルが再び、TDIDで100%、AUITDで99%の優れた分類が得られる。

関連論文リスト

• STACT-Time: Spatio-Temporal Cross Attention for Cine Thyroid Ultrasound Time Series Classification [2.510842391292067]
  甲状腺癌はアメリカ合衆国で最も多いがんの一つである。 近年のディープラーニングアプローチでは,リスク階層化の改善が試みられているが,米国のシネクリップが提供する時間的・空間的コンテキストの充実に失敗することが多い。 シンチロイド超音波時系列分類(STACT-Time)モデルに対する時空間交差注意法を提案する。
  論文  参考訳（メタデータ） (2025-06-22T21:14:04Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised Segmentation for MRI Rectal Cancer Staging [9.992841347751332]
  本研究の目的は, 胸部, 直腸, 直腸の領域を分節し, 組織学的にT期を予測できることである。 アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
  論文  参考訳（メタデータ） (2023-12-08T01:36:24Z)
• Ultrasound Image Segmentation of Thyroid Nodule via Latent Semantic Feature Co-Registration [12.211161441766532]
  本稿では,甲状腺結節分節の枠組みであるASTNを提案する。 アトラスおよび対象画像から潜在意味情報を抽出することにより、解剖学的構造の整合性を確保することができる。 また,共同登録の難しさを軽減するために,アトラス選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:18:48Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。