論文の概要: Deep Learning-Based Multiclass Classification of Oral Lesions with Stratified Augmentation

• arxiv url: http://arxiv.org/abs/2511.21582v1
• Date: Wed, 26 Nov 2025 16:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.210769
• Title: Deep Learning-Based Multiclass Classification of Oral Lesions with Stratified Augmentation
• Title（参考訳）: 階層的拡張を伴う深層学習に基づく口腔病変のマルチクラス分類
• Authors: Joy Naoum, Revana Salama, Ali Hamdi,
• Abstract要約: 本研究は, 深層学習を用いて16種類の口腔病変に対する多クラス分類器を構築することを目的としている。 実験結果は、83.33パーセントの精度、89.12パーセントの精度、77.31パーセントのリコールを達成し、提案されたモデルの優位性を実証した。
• 参考スコア（独自算出の注目度）: 0.25489046505746704
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Oral cancer is highly common across the globe and is mostly diagnosed during the later stages due to the close visual similarity to benign, precancerous, and malignant lesions in the oral cavity. Implementing computer aided diagnosis systems early on has the potential to greatly improve clinical outcomes. This research intends to use deep learning to build a multiclass classifier for sixteen different oral lesions. To overcome the challenges of limited and imbalanced datasets, the proposed technique combines stratified data splitting and advanced data augmentation and oversampling to perform the classification. The experimental results, which achieved 83.33 percent accuracy, 89.12 percent precision, and 77.31 percent recall, demonstrate the superiority of the suggested model over state of the art methods now in use. The suggested model effectively conveys the effectiveness of oversampling and augmentation strategies in situations where the minority class classification performance is noteworthy. As a first step toward trustworthy computer aided diagnostic systems for the early detection of oral cancer in clinical settings, the suggested framework shows promise.
• Abstract（参考訳）: 口腔癌は世界中で非常に一般的であり、良性、前立腺および口腔悪性病変との近視的類似性から後期に診断されることが多い。 早期にコンピュータ支援診断システムを実装することは、臨床結果を大幅に改善する可能性がある。 本研究は, 深層学習を用いて16種類の口腔病変に対する多クラス分類器を構築することを目的としている。 限定的かつ不均衡なデータセットの課題を克服するため、提案手法では、階層化されたデータ分割と高度なデータ拡張とオーバーサンプリングを組み合わせて分類を行う。 実験結果は、83.33パーセントの精度、89.12パーセントの精度、77.31パーセントのリコールを達成し、現在使われている最先端の手法よりも提案されたモデルの方が優れていることを示した。 提案モデルは,マイノリティクラス分類性能が注目に値する状況において,オーバーサンプリングと拡張戦略の有効性を効果的に伝達する。 臨床現場で口腔癌を早期に検出するための,信頼性の高いコンピュータ支援診断システムへの第一歩として,提案する枠組みは有望である。

関連論文リスト

• DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability [0.0]
  本稿では、VGG16とXceptionをFGAブロックと統合した二重バックボーンネットワークを提案する。 本モデルでは,可変サイズおよび分散データセットに対するロバスト性を示す拡張を伴わず,最先端のパフォーマンスを実現する。 さらに透明性を高めるため、Grad-CAMはモデルが予測している腫瘍領域を可視化するために統合され、モデル予測と臨床解釈可能性のギャップを埋める。
  論文  参考訳（メタデータ） (2025-10-23T07:39:00Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Improving Oral Cancer Outcomes Through Machine Learning and Dimensionality Reduction [0.0]
  口腔癌は、患者の生存率を高めるために、早期診断と正確な予後を必要とする、腫瘍学における深刻な課題を呈する。 機械学習とデータマイニングの最近の進歩は、従来の診断方法に革命をもたらし、良性病変と悪性口腔病変を区別するための洗練された自動化されたツールを提供している。 本研究では、ニューラルネットワーク、K-Nearest Neighbors(KNN)、SVM(Support Vector Machines)、およびアンサンブル学習技術を含む最先端データマイニング手法を総合的に検討し、特に口腔癌の診断と予後に応用した。
  論文  参考訳（メタデータ） (2025-06-11T21:26:13Z)
• Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
  本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。 その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T11:52:07Z)
• Adaptive Deep Learning for Multiclass Breast Cancer Classification via Misprediction Risk Analysis [0.8028869343053783]
  早期発見は患者の予後を改善するのに不可欠である。 コンピュータ支援診断アプローチは乳がんの検出を著しく向上させた。 しかし、これらの手法は多クラス分類の課題に直面し、しばしば誤予測を引き起こす。
  論文  参考訳（メタデータ） (2025-03-17T03:25:28Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)

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。