論文の概要: Lung Cancer Classification from CT Images Using ResNet

• arxiv url: http://arxiv.org/abs/2510.16310v1
• Date: Sat, 18 Oct 2025 02:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.939618
• Title: Lung Cancer Classification from CT Images Using ResNet
• Title（参考訳）: ResNetを用いたCT画像からの肺癌の分類
• Authors: Olajumoke O. Adekunle, Joseph D. Akinyemi, Khadijat T. Ladoja, Olufade F. W. Onifade,
• Abstract要約: 肺組織由来の悪性腫瘍である肺癌は、医学的イメージング技術、特にCT(Computed tomography)を用いて診断され分類される。 既存の研究は主に悪性腫瘍と良性肺結節を区別する二分分類に焦点を当てている。 本研究では,CT画像から肺がんの様々なサブタイプを識別する多クラス分類の改善を目的とした,新しい深層学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Lung cancer, a malignancy originating in lung tissues, is commonly diagnosed and classified using medical imaging techniques, particularly computed tomography (CT). Despite the integration of machine learning and deep learning methods, the predictive efficacy of automated systems for lung cancer classification from CT images remains below the desired threshold for clinical adoption. Existing research predominantly focuses on binary classification, distinguishing between malignant and benign lung nodules. In this study, a novel deep learning-based approach is introduced, aimed at an improved multi-class classification, discerning various subtypes of lung cancer from CT images. Leveraging a pre-trained ResNet model, lung tissue images were classified into three distinct classes, two of which denote malignancy and one benign. Employing a dataset comprising 15,000 lung CT images sourced from the LC25000 histopathological images, the ResNet50 model was trained on 10,200 images, validated on 2,550 images, and tested on the remaining 2,250 images. Through the incorporation of custom layers atop the ResNet architecture and meticulous hyperparameter fine-tuning, a remarkable test accuracy of 98.8% was recorded. This represents a notable enhancement over the performance of prior models on the same dataset.
• Abstract（参考訳）: 肺組織由来の悪性腫瘍である肺癌は、医学的イメージング技術、特にCT(Computed tomography)を用いて診断され分類される。 機械学習とディープラーニングの統合にもかかわらず、CT画像から肺がんを分類する自動システムの予測的有効性は、臨床応用の望ましいしきい値より低いままである。 既存の研究は主に悪性腫瘍と良性肺結節を区別する二分分類に焦点を当てている。 本研究では,CT画像から肺がんの様々なサブタイプを識別する多クラス分類の改善を目的とした,新しい深層学習に基づくアプローチを提案する。 術前のResNetモデルを用いて肺組織像を3つのクラスに分類し,その内2つは悪性度,1つは良性であった。 LC25000の病理像から得られた15,000枚の肺CT画像からなるデータセットを用いて、ResNet50モデルは10,200枚の画像で訓練され、2,550枚の画像で検証され、残りの2,250枚の画像で検査された。 ResNetアーキテクチャ上にカスタムレイヤを組み込んだり、微妙なハイパーパラメータの微調整を行ったりすることで、98.8%のテスト精度が記録された。 これは、同じデータセット上での事前モデルのパフォーマンスに対する顕著な向上を意味します。

関連論文リスト

• MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification [0.0]
  肺癌と大腸癌は、がんの死亡率に大きく寄与する。 異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。 改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。 提案モデルの精度は99.30%,96.63%,97.56%であった。
  論文  参考訳（メタデータ） (2024-12-23T16:31:45Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
  我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。 精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
  論文  参考訳（メタデータ） (2023-04-10T18:47:20Z)
• 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)
• Pulmonary embolism identification in computerized tomography pulmonary angiography scans with deep learning technologies in COVID-19 patients [0.65756807269289]
  本稿では,A-Scans画像における肺塞栓症同定のための最も正確かつ高速な深層学習モデルについて紹介する。 本研究では,肺塞栓症の診断精度を向上させるために,分類モデルと対象検出モデルを組み合わせた高速トラックソリューション(システム)を提案する。
  論文  参考訳（メタデータ） (2021-05-24T10:23:21Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。