論文の概要: DSVTLA: Deep Swin Vision Transformer-Based Transfer Learning Architecture for Multi-Type Cancer Histopathological Cancer Image Classification

• arxiv url: http://arxiv.org/abs/2604.09468v1
• Date: Fri, 10 Apr 2026 16:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.960181
• Title: DSVTLA: Deep Swin Vision Transformer-Based Transfer Learning Architecture for Multi-Type Cancer Histopathological Cancer Image Classification
• Title（参考訳）: DSVTLA:多型癌組織像分類のためのディープスウィンビジョントランスフォーマーを用いたトランスファーラーニングアーキテクチャ
• Authors: Muazzem Hussain Khan, Tasdid Hasnain, Md. Jamil khan, Ruhul Amin, Md. Shamim Reza, Md. Al Mehedi Hasan, Md Ashad Alam,
• Abstract要約: 提案するフレームワークは階層型Swin変換器とResNet50ベースの畳み込み機能抽出を統合している。 我々のアプローチは、DenseNet121、DenseNet201、InceptionV3、ResNet50、EfficientNetB3、Swin Transformerモデルなど、最先端のCNNおよび転送モデルと共にベンチマークされている。 以上の結果から, 肺結腸癌, セグメンテーション白血病データセット, 99.23%の検診精度が得られた。
• 参考スコア（独自算出の注目度）: 4.251634300723203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we proposed a deep Swin-Vision Transformer-based transfer learning architecture for robust multi-cancer histopathological image classification. The proposed framework integrates a hierarchical Swin Transformer with ResNet50-based convolution features extraction, enabling the model to capture both long-range contextual dependencies and fine-grained local morphological patterns within histopathological images. To validate the efficiency of the proposed architecture, an extensive experiment was executed on a comprehensive multi-cancer dataset including Breast Cancer, Oral Cancer, Lung and Colon Cancer, Kidney Cancer, and Acute Lymphocytic Leukemia (ALL), including both original and segmented images were analyzed to assess model robustness across heterogeneous clinical imaging conditions. Our approach is benchmarked alongside several state-of-the-art CNN and transfer models, including DenseNet121, DenseNet201, InceptionV3, ResNet50, EfficientNetB3, multiple ViT variants, and Swin Transformer models. However, all models were trained and validated using a unified pipeline, incorporating balanced data preprocessing, transfer learning, and fine-tuning strategies. The experimental results demonstrated that our proposed architecture consistently gained superior performance, reaching 100% test accuracy for lung-colon cancer, segmented leukemia datasets, and up to 99.23% accuracy for breast cancer classification. The model also achieved near-perfect precision, f1 score, and recall, indicating highly stable scores across divers cancer types. Overall, the proposed model establishes a highly accurate, interpretable, and also robust multi-cancer classification system, demonstrating strong benchmark for future research and provides a unified comparative assessment useful for designing reliable AI-assisted histopathological diagnosis and clinical decision-making.
• Abstract（参考訳）: 本研究では,頑健なマルチ癌組織像分類のための深層スウィン・ビジョン・トランスフォーマーを用いた転写学習アーキテクチャを提案する。 提案するフレームワークは階層型スウィントランスフォーマーとResNet50ベースの畳み込み特徴抽出を統合し,そのモデルが病理像中の長期コンテキスト依存性と微細な局所形態パターンの両方をキャプチャすることを可能にする。 提案手法の有効性を検証するため, 乳がん, 口腔癌, 肺・結腸癌, 腎癌, 急性リンパ性白血病(ALL)を含む包括的多癌データセットを用いて広範な実験を行った。 我々のアプローチは、DenseNet121、DenseNet201、InceptionV3、ResNet50、EfficientNetB3、複数のViT変種、Swin Transformerモデルなど、最先端のCNNおよび転送モデルと共にベンチマークされている。 しかしながら、すべてのモデルは、バランスのとれたデータ前処理、転送学習、微調整戦略を取り入れた統一パイプラインを使用してトレーニングされ、検証された。 以上の結果から, 肺結腸癌, セグメンテーション白血病データセット, 99.23%の検診精度が得られた。 モデルはまた、ほぼ完全な精度、f1スコア、リコールを達成し、ダイバーのがん種間で非常に安定したスコアを示した。 全体として、提案モデルは、高度に正確で、解釈可能で、かつ堅牢なマルチがん分類システムを確立し、将来の研究のための強力なベンチマークを示し、信頼性の高いAI支援組織診断と臨床診断を設計するのに有用な統合比較評価を提供する。

関連論文リスト

• DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification [0.0]
  病理組織学は、組織形態の詳細な細胞レベル評価を提供するため、がん診断のゴールドスタンダードのままである。 近年の深層学習の進歩は、医療画像における複雑な空間依存をモデル化する強力な可能性を示している。 組織像の自動分類のためのトランスフォーマーベースのフレームワークであるDeepHistoViTを提案する。
  論文  参考訳（メタデータ） (2026-03-12T00:29:19Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Multi-Scale Deep Learning for Colon Histopathology: A Hybrid Graph-Transformer Approach [0.0]
  大腸癌としても知られる大腸がんは、世界で最も悪性ながんの1つである。 本研究では, カプセルネットワーク, グラフアテンション機構, トランスフォーマーモジュール, 残留学習を併用し, 大腸癌の分類を推し進めるハイブリッドマルチスケールディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-09-02T21:40:57Z)
• HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis [1.5939351525664014]
  マルチクラス腫瘍分類のためのトランスフォーマーに基づくディープラーニングフレームワークを提案する。 本手法は従来の畳み込みニューラルネットワークの限界に対処する。 アプローチ分類では, 乳がん, 前立腺癌, 骨癌, 頸部癌が99.32%, 96.92%, 95.28%, 96.94%であった。
  論文  参考訳（メタデータ） (2025-08-15T03:10:52Z)
• Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
  本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。 病理像を良性群と悪性群に迅速かつ自動分類することができる。 本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:08:05Z)
• Histopathologic Cancer Detection [0.0]
  この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。 また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
  論文  参考訳（メタデータ） (2023-11-13T19:51:46Z)
• 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)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)

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。