論文の概要: An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion

• arxiv url: http://arxiv.org/abs/2601.12249v1
• Date: Sun, 18 Jan 2026 03:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.526555
• Title: An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion
• Title（参考訳）: ピラミッド適応Atrous Convolution, Transformer Integration, Multi-Scale Feature Fusion を用いた乳癌検出のための新しい枠組み
• Authors: Ehsan Sadeghi Pour, Mahdi Esmaeili, Morteza Romoozi,
• Abstract要約: この論文は、Praamid Adaptive Atrous Convolution(PAAC)とTransformerアーキテクチャを統合することにより、マンモグラフィ画像中の悪性腫瘤を検出する革新的な枠組みを示す。 提案手法は, 良性組織と悪性組織からの特徴抽出を強化するために多スケール特徴フュージョンを用いており, Dice Loss 関数と Focal Loss 関数を組み合わせてモデルの学習プロセスを改善する。 提案モデルは,BreastNet,DeepMammo,Multi-Scale CNN,Swin-Unet,SegFormerなどの基礎モデルよりも高い精度で癌塊の検出に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is one of the most common cancers among women worldwide, and its accurate and timely diagnosis plays a critical role in improving treatment outcomes. This thesis presents an innovative framework for detecting malignant masses in mammographic images by integrating the Pyramid Adaptive Atrous Convolution (PAAC) and Transformer architectures. The proposed approach utilizes Multi-Scale Feature Fusion to enhance the extraction of features from benign and malignant tissues and combines Dice Loss and Focal Loss functions to improve the model's learning process, effectively reducing errors in binary breast cancer classification and achieving high accuracy and efficiency. In this study, a comprehensive dataset of breast cancer images from INbreast, MIAS, and DDSM was preprocessed through data augmentation and contrast enhancement and resized to 227x227 pixels for model training. Leveraging the Transformer's ability to manage long-range dependencies with Self-Attention mechanisms, the proposed model achieved high accuracy in detecting cancerous masses, outperforming foundational models such as BreastNet, DeepMammo, Multi-Scale CNN, Swin-Unet, and SegFormer. The final evaluation results for the proposed model include an accuracy of 98.5\%, sensitivity of 97.8\%, specificity of 96.3\%, F1-score of 98.2\%, and overall precision of 97.9\%. These metrics demonstrate a significant improvement over traditional methods and confirm the model's effectiveness in identifying cancerous masses in complex scenarios and large datasets. This model shows potential as a reliable and efficient tool for breast cancer diagnosis and can be effectively integrated into medical diagnostic systems.
• Abstract（参考訳）: 乳癌は世界でも最も一般的ながんの1つであり、その正確かつタイムリーな診断は治療成績を改善する上で重要な役割を担っている。 この論文は、Praamid Adaptive Atrous Convolution(PAAC)とTransformerアーキテクチャを統合することにより、マンモグラフィ画像中の悪性腫瘤を検出する革新的な枠組みを示す。 提案手法は,良性組織と悪性組織からの特徴抽出を促進するために多スケール機能融合を用いて,Dice Loss と Focal Loss の機能を組み合わせることにより,モデルの学習プロセスを改善し,二成分性乳癌の分類における誤差を効果的に低減し,高い精度と効率を達成する。 本研究では,INbreast,MIAS,DDSMの乳がん画像の包括的データセットを,データ拡張とコントラスト拡張により前処理し,モデルトレーニングのために227×227ピクセルに再サイズした。 トランスフォーマーの長期依存性をセルフアテンション機構で管理する能力を活用し、提案モデルは、BreastNet、DeepMammo、Multi-Scale CNN、Swin-Unet、SegFormerなどの基礎モデルよりも高い精度で癌塊を検出する。 提案モデルの最終的な評価結果は、精度98.5\%、感度97.8\%、特異性96.3\%、F1スコア98.2\%、総合精度97.9\%である。 これらの指標は、従来の手法よりも大幅に改善され、複雑なシナリオや大規模なデータセットでがんの集団を特定する上で、モデルの有効性が確認されている。 このモデルは、乳がん診断の信頼性と効率的なツールとしての可能性を示し、医療診断システムに効果的に統合することができる。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Breast Cancer Histopathology Classification using CBAM-EfficientNetV2 with Transfer Learning [0.0]
  本研究では,EfficientNetV2モデルを用いて特徴抽出を改善し,関連組織領域に焦点を当てた新しいアプローチを提案する。 CBAMを搭載した効率の良いNetV2-XLは、最高精度99.01%、F1スコア98.31%を400倍の精度で達成した。
  論文  参考訳（メタデータ） (2024-10-29T17:56:05Z)
• Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
  乳房病変の分類・分類のための新しいDeep Learning(DL)フレームワークを提案する。 本稿では,PMAD-LinkNetセグメンテーションフレームワークの高精度マッピング機構(PMM)を提案する。 また、コンポーネント固有の特徴拡張モジュール (CSFEM) を導入し、コンポーネント固有の特徴強化分類器 (CSFEC-Net) を提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:40:26Z)
• Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
  CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。 特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
  論文  参考訳（メタデータ） (2024-05-13T16:07:58Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)

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。