論文の概要: Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection

• arxiv url: http://arxiv.org/abs/2512.04397v1
• Date: Thu, 04 Dec 2025 02:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.963602
• Title: Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection
• Title（参考訳）: 転写学習による疾患検出のための医用画像分類手法の性能評価
• Authors: Zeeshan Ahmad, Shudi Bao, Meng Chen,
• Abstract要約: 本稿では,深層畳み込みニューラルネットワークを用いた医用画像分類のための伝達学習(TL)手法の包括的解析を行う。 疾患検出のためのカスタム胸部X線データセットを用いて,6つの事前訓練モデルの評価を行った。 以上の結果から, TLが有用である症例は多く, 特にデータ量が少ない場合が多いが, 改善の程度はいくつかの要因に左右される。
• 参考スコア（独自算出の注目度）: 4.768189710592187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image classification plays an increasingly vital role in identifying various diseases by classifying medical images, such as X-rays, MRIs and CT scans, into different categories based on their features. In recent years, deep learning techniques have attracted significant attention in medical image classification. However, it is usually infeasible to train an entire large deep learning model from scratch. To address this issue, one of the solutions is the transfer learning (TL) technique, where a pre-trained model is reused for a new task. In this paper, we present a comprehensive analysis of TL techniques for medical image classification using deep convolutional neural networks. We evaluate six pre-trained models (AlexNet, VGG16, ResNet18, ResNet34, ResNet50, and InceptionV3) on a custom chest X-ray dataset for disease detection. The experimental results demonstrate that InceptionV3 consistently outperforms other models across all the standard metrics. The ResNet family shows progressively better performance with increasing depth, whereas VGG16 and AlexNet perform reasonably well but with lower accuracy. In addition, we also conduct uncertainty analysis and runtime comparison to assess the robustness and computational efficiency of these models. Our findings reveal that TL is beneficial in most cases, especially with limited data, but the extent of improvement depends on several factors such as model architecture, dataset size, and domain similarity between source and target tasks. Moreover, we demonstrate that with a well-trained feature extractor, only a lightweight feedforward model is enough to provide efficient prediction. As such, this study contributes to the understanding of TL in medical image classification, and provides insights for selecting appropriate models based on specific requirements.
• Abstract（参考訳）: 医用画像分類は、X線、MRI、CTスキャンなどの医療画像を、その特徴に基づいて異なるカテゴリに分類することで、様々な疾患を識別する上で、ますます重要な役割を担っている。 近年,医用画像分類において深層学習技術が注目されている。 しかしながら、大きなディープラーニングモデルをスクラッチからトレーニングすることは、通常不可能である。 この問題に対処するために、新しいタスクのために事前学習されたモデルを再利用するトランスファーラーニング(TL)技術が提案されている。 本稿では,深部畳み込みニューラルネットワークを用いた医用画像分類のためのTL手法の包括的解析を行う。 疾患検出のためのカスタム胸部X線データセットを用いて,6つの事前訓練モデル(AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3)を評価した。 実験の結果、InceptionV3はすべての標準メトリクスで他のモデルよりも一貫して優れています。 一方、VGG16とAlexNetは適度に機能するが、精度は低い。 さらに、これらのモデルの堅牢性と計算効率を評価するために、不確実性解析と実行時比較を行う。 調査の結果,TLは特に限られたデータでは有用であるが,改善の程度は,モデルアーキテクチャやデータセットサイズ,ソースタスクとターゲットタスクのドメイン類似性など,いくつかの要因に依存することがわかった。 さらに、よく訓練された特徴抽出器では、軽量なフィードフォワードモデルだけで効率よく予測できることを示した。 そこで本研究では,医学画像分類におけるTLの理解に寄与し,特定の要件に基づいて適切なモデルを選択するための洞察を提供する。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection [1.7616042687330637]
  我々はADNI MRIデータセットの2つの分類方式を比較した。 訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
  論文  参考訳（メタデータ） (2022-04-04T17:37:54Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Learning Shape Features and Abstractions in 3D Convolutional Neural Networks for Detecting Alzheimer's Disease [0.0]
  本論文では,アルツハイマー病を検出するための3D ConvNets による学習形状の特徴と抽象化について検討した。 異なるモデルのLRP関連マップでは、どの部位が分類決定に関連しているかが明らかにされた。 最後に,畳み込み型オートエンコーダからの伝達学習を実施し,入力パッチによるトレーニングサンプル数の増加が学習機能やモデル性能を向上させるかを確認した。
  論文  参考訳（メタデータ） (2020-09-10T17:41:03Z)
• Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
  畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。 マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。 一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
  論文  参考訳（メタデータ） (2020-04-12T23:42:51Z)

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。