論文の概要: Designing a Convolutional Neural Network for High-Accuracy Oral Cavity Squamous Cell Carcinoma (OCSCC) Detection

• arxiv url: http://arxiv.org/abs/2510.16235v1
• Date: Fri, 17 Oct 2025 21:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.912569
• Title: Designing a Convolutional Neural Network for High-Accuracy Oral Cavity Squamous Cell Carcinoma (OCSCC) Detection
• Title（参考訳）: 口腔扁平上皮癌(OCSCC)検出のための畳み込みニューラルネットワークの設計
• Authors: Vishal Manikanden, Aniketh Bandlamudi, Daniel Haehn,
• Abstract要約: 本研究の目的は,口腔扁平上皮癌を認識するために訓練された畳み込みニューラルネットワークを開発することである。 CNNは良性腫瘍と悪性腫瘍と陰性サンプルからなる4293の訓練画像で訓練された。 解像度が増大する画像は対数スケールで高い精度の予測を行い、高いピクセル数のリターンが低下することを示した。
• 参考スコア（独自算出の注目度）: 2.2020406414371885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Oral Cavity Squamous Cell Carcinoma (OCSCC) is the most common type of head and neck cancer. Due to the subtle nature of its early stages, deep and hidden areas of development, and slow growth, OCSCC often goes undetected, leading to preventable deaths. However, properly trained Convolutional Neural Networks (CNNs), with their precise image segmentation techniques and ability to apply kernel matrices to modify the RGB values of images for accurate image pattern recognition, would be an effective means for early detection of OCSCC. Pairing this neural network with image capturing and processing hardware would allow increased efficacy in OCSCC detection. The aim of our project is to develop a Convolutional Neural Network trained to recognize OCSCC, as well as to design a physical hardware system to capture and process detailed images, in order to determine the image quality required for accurate predictions. A CNN was trained on 4293 training images consisting of benign and malignant tumors, as well as negative samples, and was evaluated for its precision, recall, and Mean Average Precision (mAP) in its predictions of OCSCC. A testing dataset of randomly assorted images of cancerous, non-cancerous, and negative images was chosen, and each image was altered to represent 5 common resolutions. This test data set was thoroughly analyzed by the CNN and predictions were scored on the basis of accuracy. The designed enhancement hardware was used to capture detailed images, and its impact was scored. An application was developed to facilitate the testing process and bring open access to the CNN. Images of increasing resolution resulted in higher-accuracy predictions on a logarithmic scale, demonstrating the diminishing returns of higher pixel counts.
• Abstract（参考訳）: 口腔扁平上皮癌(OCSCC)は頭頸部癌の中で最も多い。 初期段階の微妙な性質、深くて隠れた発達領域、遅い成長のため、OCSCCはしばしば検出されず、予防可能な死に至る。 しかし、正確な画像分割技術とカーネル行列を用いて正確な画像パターン認識のために画像のRGB値を変更する能力を備えた、適切に訓練された畳み込みニューラルネットワーク(CNN)は、OCSCCの早期検出に有効な手段となる。 このニューラルネットワークに画像キャプチャと処理ハードウェアを組み込むことで、OCSCC検出の有効性が向上する。 本研究の目的は,OCSCCを認識するために訓練された畳み込みニューラルネットワークを開発し,正確な予測に必要な画像品質を決定するために,詳細な画像をキャプチャして処理する物理ハードウェアシステムを設計することである。 CNNは良性腫瘍と悪性腫瘍、陰性サンプルからなる4293の訓練画像で訓練され、OCSCCの予測において、その精度、リコール、平均精度(mAP)を評価した。 癌像,非癌像,陰影像の無作為な分類画像の試験データセットが選択され,各画像は5つの共通解像度を表すように修正された。 このテストデータセットはCNNによって徹底的に分析され、精度に基づいて予測結果が得られた。 デザインされたエンハンスメントハードウェアは詳細な画像をキャプチャするために使用され、そのインパクトが記録された。 テストプロセスを容易にし、CNNにオープンアクセスするアプリケーションを開発した。 解像度が増大する画像は対数スケールで高い精度の予測を行い、高いピクセル数のリターンが低下することを示した。

関連論文リスト

• A study on Deep Convolutional Neural Networks, transfer learning, and Mnet model for Cervical Cancer Detection [1.057098647974782]
  State-of-the-art (SOTA) Convolutional Neural Networks (CNN) には、かなりの計算リソース、トレーニング時間の拡張、大規模なデータセットが必要である。 本研究では, 頚部癌の診断・分類にPopスミア画像を用いた軽量CNNモデルであるS-Netを開発した。 S-Netは、計算効率と推論時間の観点から、SOTA CNNを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-17T18:11:09Z)
• 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)
• Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function [28.201018420730332]
  本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
  論文  参考訳（メタデータ） (2022-08-05T18:41:17Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
  The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。 そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-10T15:18:56Z)

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。