論文の概要: Lung Cancer Detection Using Deep Learning

• arxiv url: http://arxiv.org/abs/2604.10765v1
• Date: Sun, 12 Apr 2026 18:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.208047
• Title: Lung Cancer Detection Using Deep Learning
• Title（参考訳）: ディープラーニングを用いた肺癌検出
• Authors: Imama Ajmi, Abhishek Das,
• Abstract要約: 肺がんは、がんに関連する2番目の死因であり、主に長期にわたる喫煙と関連している。 2020年には、全世界で約200万人が被害を受け、150万人が死んだ。 精度、精度、リコール(感度)、F1スコアなどのパフォーマンス指標を計算し、各モデルの能力を総合的に評価する。
• 参考スコア（独自算出の注目度）: 4.3560480740815795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer, the second leading cause of cancer-related deaths, is primarily linked to long-term tobacco smoking (85% of cases). Surprisingly, 10-15% of cases occur in non-smokers. In 2020, approximately 2 million people were affected globally, resulting in 1.5 million deaths. The survival rate, at around 20%, lags behind other cancers, partly due to late-stage symptom manifestation. Necessitates early and accurate detection for effective treatment. Performance metrics such as accuracy, precision, recall (sensitivity), and F1-score are computed to provide a comprehensive evaluation of each model's capabilities. By comparing these metrics, this study offers insights into the strengths and limitations of each approach, contributing to the advancement of lung cancer detection techniques. In this paper, we are going to discuss the methodologies of lung cancer detection using different deep learning algorithms - InceptionV3, MobileNetV2, VGG16, ResNet152 - are explored for their efficacy in classifying lung cancer cases. Our Proposed Model algorithm based is a 16 layers architecture based on CNN model. Our Proposed model exhibits several key highlights that contribute to its novelty. By integrating multiple layer types such as convolutional, pooling, flatten, dropout, fully connected and dense layers, the model leverages the strengths of each layer to enhance its predictive capabilities. Novelty of our proposed model is that its accuracy is increasing consistently with the increasing no of epochs. We have tested the model performance up to epoch no 30. Our proposed model also overcome the overfitting problem.
• Abstract（参考訳）: 肺がんは、がんによる死亡の2番目に多い原因であり、主に長期にわたる喫煙(85%の症例)と関連している。 驚くことに、非喫煙者では10～15%のケースが発生している。 2020年には、全世界で約200万人が被害を受け、150万人が死んだ。 生存率は20%程度で、他のがんよりも遅れており、部分的には後期の症状が原因である。 有効治療には早期かつ正確な検出が必要である。 精度、精度、リコール(感度)、F1スコアなどのパフォーマンス指標を計算し、各モデルの能力を総合的に評価する。 これらの指標を比較することで、各アプローチの強度と限界について洞察を与え、肺がん検出技術の進歩に寄与する。 本稿では,異なる深層学習アルゴリズム (InceptionV3, MobileNetV2, VGG16, ResNet152) を用いた肺癌検出手法について検討する。 提案するモデルアルゴリズムは,CNNモデルに基づく16層アーキテクチャである。 我々の提案モデルは、その斬新さに寄与するいくつかの重要なハイライトを示す。 畳み込み、プーリング、フラット化、ドロップアウト、完全に接続された高密度層といった複数のレイヤタイプを統合することで、モデルは各レイヤの強みを活用して予測能力を向上する。 提案モデルの新規性は,その精度がエポックの増大とともに一貫して向上していることである。 モデルのパフォーマンスをエポック30までテストしました。 提案モデルも過度に適合する問題を克服する。

関連論文リスト

• Deep Learning for Dermatology: An Innovative Framework for Approaching Precise Skin Cancer Detection [0.0]
  世界規模では、皮膚がんが最も多いがんと認識され、毎年何百万人もの人が診断されている。 良性皮膚斑点と悪性皮膚斑点について,VGG16とDenseNet201の2つの顕著な深層学習モデルの応用について検討した。
  論文  参考訳（メタデータ） (2026-02-19T19:59:39Z)
• LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening [37.29507297342265]
  LungEvatyは、1つのLDCTスキャンから1-6年の肺がんリスクを予測するトランスフォーマーベースのフレームワークである。 大規模なスクリーニングデータから直接学習し、悪性リスクに関連する包括的な解剖学的および病理学的手がかりをキャプチャする。 LungEvatyは9万回以上のCTスキャンを行い、28,000回以上の微調整、6000回以上の評価を行った。
  論文  参考訳（メタデータ） (2025-11-25T09:38:10Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• Artificial intelligence based prediction on lung cancer risk factors using deep learning [0.0]
  早期の症状の捕捉と定義は、患者にとって最も難しい段階の1つである。 深層学習手法を用いて,肺がんを極めて高い精度で検出できるモデルを開発した。 その結果, 精度は94%, 最小損失は0.1%であった。
  論文  参考訳（メタデータ） (2023-04-11T08:57:15Z)
• Machine Learning-based Lung and Colon Cancer Detection using Deep Feature Extraction and Ensemble Learning [0.9786690381850355]
  肺がんと大腸癌を効率よく同定するためのハイブリッドアンサンブル特徴抽出モデルを提案する。 深い特徴抽出とアンサンブル学習と、がん画像データセットのための高性能なフィルタリングを統合している。 本モデルでは, 99.05%, 100%, 99.30%の精度で, 肺癌, 大腸癌, 結腸癌を検出できる。
  論文  参考訳（メタデータ） (2022-06-02T15:14:41Z)
• 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)

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。