論文の概要: Enhancing Histopathological Image Classification via Integrated HOG and Deep Features with Robust Noise Performance

• arxiv url: http://arxiv.org/abs/2601.01056v1
• Date: Sat, 03 Jan 2026 03:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.979234
• Title: Enhancing Histopathological Image Classification via Integrated HOG and Deep Features with Robust Noise Performance
• Title（参考訳）: 統合HoGによる病理像分類の強化とロバスト騒音特性の深い特徴
• Authors: Ifeanyi Ezuma, Ugochukwu Ugwu,
• Abstract要約: 本研究では,LC25000データセットを用いた機械学習モデルとディープラーニングモデルの分類性能を評価する。 微調整されたInceptionResNet-v2は96.01%、平均的なAUCは96.8%の精度を達成した。 InceptionResNet-v2の深い機能で訓練されたモデルは、事前訓練されたネットワークのみを使用したモデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The era of digital pathology has advanced histopathological examinations, making automated image analysis essential in clinical practice. This study evaluates the classification performance of machine learning and deep learning models on the LC25000 dataset, which includes five classes of histopathological images. We used the fine-tuned InceptionResNet-v2 network both as a classifier and for feature extraction. Our results show that the fine-tuned InceptionResNet-v2 achieved a classification accuracy of 96.01\% and an average AUC of 96.8\%. Models trained on deep features from InceptionResNet-v2 outperformed those using only the pre-trained network, with the Neural Network model achieving an AUC of 99.99\% and accuracy of 99.84\%. Evaluating model robustness under varying SNR conditions revealed that models using deep features exhibited greater resilience, particularly GBM and KNN. The combination of HOG and deep features showed enhanced performance, however, less so in noisy environments.
• Abstract（参考訳）: デジタル病理学の時代は、病理組織学的検査が進み、臨床実践において自動画像解析が不可欠になっている。 本研究では,5種類の病理像を含むLC25000データセットを用いて,機械学習モデルとディープラーニングモデルの分類性能を評価する。 InceptionResNet-v2ネットワークを分類器および特徴抽出に使用した。 その結果,微調整したInceptionResNet-v2は96.01\%,平均AUC96.8\%の分類精度が得られた。 InceptionResNet-v2の深い特徴を訓練したモデルは、事前訓練されたネットワークのみを使用したモデルよりも優れ、ニューラルネットワークモデルは99.99\%のAUCと99.84\%の精度を達成した。 各種SNR条件下でのモデルロバスト性の評価により, 深部特徴を用いたモデルの方が高いレジリエンス, 特にGBMとKNNを示した。 HOGと深い特徴の組み合わせは、ノイズの多い環境では性能が向上した。

関連論文リスト

• HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
  本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。 私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。 本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
  論文  参考訳（メタデータ） (2025-07-29T22:54:28Z)
• AbsoluteNet: A Deep Learning Neural Network to Classify Cerebral Hemodynamic Responses of Auditory Processing [5.55745337453509]
  この研究は、fNIRSを使って聴覚イベント関連応答を分類するために設計された新しいディープラーニングアーキテクチャであるAbsoluteNetを紹介する。 このネットワークは、畳み込みとカスタマイズされたアクティベーション関数の原理に基づいて構築されている。 その結果、AbsoluteNetは既存のモデルを上回っ、87.0%の精度、84.8%の感度、89.2%の特異性に達した。
  論文  参考訳（メタデータ） (2025-05-27T19:21:17Z)
• Advancing the Biological Plausibility and Efficacy of Hebbian Convolutional Neural Networks [0.0]
  本稿では,画像処理のための畳み込みニューラルネットワーク(CNN)へのヘビアン学習の統合について述べる。 ヘビアン学習は、局所的な教師なしの神経情報に基づいて特徴表現を形成する。 その結果, より複雑で受容的な領域を通じて, まばらな階層的学習の徴候がみられた。
  論文  参考訳（メタデータ） (2025-01-06T12:29:37Z)
• Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
  まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。 その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
  論文  参考訳（メタデータ） (2024-11-19T01:01:56Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• HistoPerm: A Permutation-Based View Generation Approach for Improving Histopathologic Feature Representation Learning [33.1098457952173]
  HistoPermは共同埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法である。 HistoPermは、全スライディングのヒストロジー画像から抽出したパッチの増分ビューを置換し、分類性能を向上させる。 以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
  論文  参考訳（メタデータ） (2022-09-13T17:35:08Z)
• Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
  我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。 我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。 得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
  論文  参考訳（メタデータ） (2022-01-23T21:18:17Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)

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。