論文の概要: Multimodal RGB-HSI Feature Fusion with Patient-Aware Incremental Heuristic Meta-Learning for Oral Lesion Classification

• arxiv url: http://arxiv.org/abs/2511.12268v1
• Date: Sat, 15 Nov 2025 15:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.789262
• Title: Multimodal RGB-HSI Feature Fusion with Patient-Aware Incremental Heuristic Meta-Learning for Oral Lesion Classification
• Title（参考訳）: 口腔病変分類のためのマルチモーダルRGB-HSI機能融合と増分的ヒューリスティックメタラーニング
• Authors: Rupam Mukherjee, Rajkumar Daniel, Soujanya Hazra, Shirin Dasgupta, Subhamoy Mandal,
• Abstract要約: 深部RGB埋め込み,高スペクトル再構成,手作りのスペクトル音声ディスクリプタ,人口統計メタデータを統合した4種類の口腔病変分類器を提案する。 以上の結果から,ハイパースペクトル再構成と不確実性を考慮したメタラーニングにより,実世界の口腔病変検診におけるロバストネスが著しく向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early detection of oral cancer and potentially malignant disorders is challenging in low-resource settings due to limited annotated data. We present a unified four-class oral lesion classifier that integrates deep RGB embeddings, hyperspectral reconstruction, handcrafted spectral-textural descriptors, and demographic metadata. A pathologist-verified subset of oral cavity images was curated and processed using a fine-tuned ConvNeXt-v2 encoder, followed by RGB-to-HSI reconstruction into 31-band hyperspectral cubes. Haemoglobin-sensitive indices, texture features, and spectral-shape measures were extracted and fused with deep and clinical features. Multiple machine-learning models were assessed with patient-wise validation. We further introduce an incremental heuristic meta-learner (IHML) that combines calibrated base classifiers through probabilistic stacking and patient-level posterior smoothing. On an unseen patient split, the proposed framework achieved a macro F1 of 66.23% and an accuracy of 64.56%. Results demonstrate that hyperspectral reconstruction and uncertainty-aware meta-learning substantially improve robustness for real-world oral lesion screening.
• Abstract（参考訳）: 口腔癌や潜在的な悪性疾患の早期発見は、限られた注釈データのために低リソース環境では困難である。 深部RGB埋め込み,高スペクトル再構成,手作りのスペクトル音声ディスクリプタ,人口統計メタデータを統合した4種類の口腔病変分類器を提案する。 口腔画像の病理組織学的に検証されたサブセットを細調整したConvNeXt-v2エンコーダを用いて硬化処理し,RGB-to-HSIを31バンド超スペクトル立方体に再構成した。 ヘモグロビン感受性指標, テクスチャ特性, スペクトル形状測定を抽出し, 深部および臨床的特徴と融合した。 複数の機械学習モデルに対して,患者による検証を行った。 さらに,確率的積み重ねと患者レベルの後方平滑化を通した校正ベース分類器を組み合わせたインクリメンタルヒューリスティックメタラーナー(IHML)を導入する。 未確認の患者分割では、提案したフレームワークは66.23%のマクロF1と64.56%の精度を達成した。 以上の結果から,ハイパースペクトル再構成と不確実性を考慮したメタラーニングにより,実世界の口腔病変検診におけるロバストネスが著しく向上することが示唆された。

関連論文リスト

• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping [17.401088816596054]
  本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。
  論文  参考訳（メタデータ） (2025-06-21T01:24:25Z)
• Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
  本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。 3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。 予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
  論文  参考訳（メタデータ） (2025-06-03T22:00:03Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• RGB to Hyperspectral: Spectral Reconstruction for Enhanced Surgical Imaging [7.2993064695496255]
  そこで本研究では,RGBデータから高スペクトル信号の再構成を行い,画像診断の精度向上を図る。 畳み込みニューラルネットワーク(CNN)とトランスフォーマーモデルに基づく各種アーキテクチャの評価を行った。 変換器モデルはRMSE、SAM、PSNR、SSIMの点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-17T14:05:41Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• 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)
• 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。