論文の概要: XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas

• arxiv url: http://arxiv.org/abs/2602.04819v1
• Date: Wed, 04 Feb 2026 18:07:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.673757
• Title: XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas
• Title（参考訳）: 腫瘍性管腺腫の分類のためのXtraLight-MedMamba
• Authors: Aqsa Sultana, Rayan Afsar, Ahmed Rahu, Surendra P. Singh, Brian Shula, Brandon Combs, Derrick Forchetti, Vijayan K. Asari,
• Abstract要約: XtraLight-MedMambaは、管状腺腫を分類するための超軽量な状態空間ベースのディープラーニングフレームワークである。 低品位尿細管腺腫患者から得られたキュレートデータセットを用いて評価した。 XtraLight-MedMambaの精度は97.18%、F1スコアは0.9767で約32,000のパラメータを使用した。
• 参考スコア（独自算出の注目度）: 1.9322492427205764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate risk stratification of precancerous polyps during routine colonoscopy screenings is essential for lowering the risk of developing colorectal cancer (CRC). However, assessment of low-grade dysplasia remains limited by subjective histopathologic interpretation. Advancements in digital pathology and deep learning provide new opportunities to identify subtle and fine morphologic patterns associated with malignant progression that may be imperceptible to the human eye. In this work, we propose XtraLight-MedMamba, an ultra-lightweight state-space-based deep learning framework for classifying neoplastic tubular adenomas from whole-slide images (WSIs). The architecture is a blend of ConvNext based shallow feature extractor with parallel vision mamba to efficiently model both long- and short-range dependencies and image generalization. An integration of Spatial and Channel Attention Bridge (SCAB) module enhances multiscale feature extraction, while Fixed Non-Negative Orthogonal Classifier (FNOClassifier) enables substantial parameter reduction and improved generalization. The model was evaluated on a curated dataset acquired from patients with low-grade tubular adenomas, stratified into case and control cohorts based on subsequent CRC development. XtraLight-MedMamba achieved an accuracy of 97.18% and an F1-score of 0.9767 using approximately 32,000 parameters, outperforming transformer-based and conventional Mamba architectures with significantly higher model complexity.
• Abstract（参考訳）: 大腸内視鏡検査における早期ポリープの正確なリスク階層化は,大腸癌(CRC)の発症リスクの低減に不可欠である。 しかし, 主観的病理組織学的解釈により, 低次異形成の評価は限定的である。 デジタル病理学とディープラーニングの進歩は、人間の目には受容できない悪性の進行に伴う微妙で微細な形態的パターンを識別する新たな機会を提供する。 本研究では,超軽量な状態空間に基づく深層学習フレームワークであるXtraLight-MedMambaを提案する。 アーキテクチャは、ConvNextベースの浅層特徴抽出器と並列視マムバを組み合わせることで、長距離および短距離の依存関係と画像の一般化の両方を効率的にモデル化する。 空間・チャネルアテンションブリッジ(SCAB)モジュールの統合はマルチスケールの特徴抽出を強化し,固定非負の直交分類器(FNO Classifier)はパラメータの大幅な削減と一般化の改善を可能にする。 このモデルは,低次管腺腫患者から得られたキュレートデータセットを用いて評価し,その後のCRC発達に基づいて,症例とコントロールコホートに分類した。 XtraLight-MedMambaは97.18%の精度を達成し、F1スコアは0.9767で約32,000のパラメータ、トランスフォーマーベースおよび従来のMambaアーキテクチャを上回り、モデル複雑性が大幅に向上した。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Integrating Pathology and CT Imaging for Personalized Recurrence Risk Prediction in Renal Cancer [3.928620610295438]
  本研究は,術前CTと術後病理組織像(WSI)を統合したマルチモーダル再発予測法について検討した。 事前訓練されたエンコーダとCoxベースのサバイバルモデリングを備えたモジュール型ディープラーニングフレームワークが、単調、後期核融合、中間核融合のセットアップでテストされた。 WSIベースのモデルは、CTのみのモデルよりも一貫して優れており、病理の予後の強さが強調されている。
  論文  参考訳（メタデータ） (2025-08-29T12:34:29Z)
• UltraLight Med-Vision Mamba for Classification of Neoplastic Progression in Tubular Adenomas [2.7861537812259316]
  Ultralight Med-Vision Mambaは状態空間ベースモデル(SSM)である 長距離および短距離の依存関係のモデリングや画像の一般化に優れる。 これは、リアルタイムな臨床展開のための有望なツールである。
  論文  参考訳（メタデータ） (2025-08-12T20:56:31Z)
• ONCOPILOT: A Promptable CT Foundation Model For Solid Tumor Evaluation [3.8763197858217935]
  ONCOPILOTは、全身を覆う約7,500個のCTスキャンに基づいて訓練された、インタラクティブな放射線基礎モデルである。 ポイントクリックやバウンディングボックスのような視覚的なプロンプトを使って3D腫瘍のセグメンテーションを行い、最先端のモデルより優れています。 ONCOPILOTは測定プロセスを加速し、リーダー間のばらつきを低減する。
  論文  参考訳（メタデータ） (2024-10-10T13:36:49Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。