論文の概要: Beyond Morphology: Quantifying the Diagnostic Power of Color Features in Cancer Classification

• arxiv url: http://arxiv.org/abs/2605.18522v1
• Date: Mon, 18 May 2026 15:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.895115
• Title: Beyond Morphology: Quantifying the Diagnostic Power of Color Features in Cancer Classification
• Title（参考訳）: 癌分類における色特徴の診断力の定量化
• Authors: Farnaz Kheiri, Shahryar Rahnamayan, Masoud Makrehchi,
• Abstract要約: カラー特徴だけでバイナリ診断タスクにおいて高い性能が得られることを示す。 この性能は、悪性度に関連する大域的な色変化に起因する可能性が高い。 この研究は、単純で計算効率の良い色特徴が効果的な事前スクリーニングツールとして役立つことを示唆している。
• 参考スコア（独自算出の注目度）: 1.8607003949195091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In histopathology, human experts primarily rely on color as a means of enhancing contrast to interpret tissue morphology, whereas machine vision models process color as raw statistical information. This distinction raises a fundamental question: to what extent can pixel intensity alone, independent of structural and morphological cues, support cancer classification? To address this question, we systematically evaluated the standalone discriminative power of global color features while deliberately excluding all morphological information. Specifically, we extracted statistical color moments and discretized RGB and HSV color histograms, and assessed their performance across ten diverse experimental settings using classical machine learning classifiers. Our results demonstrate that color features alone can achieve strong performance in binary diagnostic tasks (e.g., benign versus malignant), with classification accuracies reaching up to 89%. This performance is likely attributable to global chromatic shifts associated with malignancy. Importantly, these simple color-based representations consistently outperformed random baselines by a substantial margin, indicating that raw color distributions encode a non-random and diagnostically relevant signal for cancer detection. Consequently, this study suggests that simple, computationally efficient color features can serve as an effective pre-screening tool. By identifying samples with strong chromatic indicators of malignancy, these lightweight models could function as a first-pass triage system, reducing the computational burden on complex deep learning architectures.
• Abstract（参考訳）: 病理学では、ヒトの専門家は主に組織の形態を解釈するのと対照的に色に依存するが、機械ビジョンモデルは色を生の統計情報として処理する。 この区別は根本的な疑問を提起する: ピクセル強度だけで、構造的および形態的手がかりによらず、どの程度までがんの分類をサポートすることができるのか? そこで本研究では,グローバルカラー特徴の独立識別能力について,すべての形態情報を意図的に排除しつつ,体系的に評価した。 具体的には,統計的色モーメントと離散RGBおよびHSV色ヒストグラムを抽出し,古典的機械学習分類器を用いて10種類の実験条件で評価した。 以上の結果から,2次診断(良性,良性,悪性)では色のみに強い性能が得られ,分類精度は最大89%に達することが示唆された。 この性能は、悪性度に関連する大域的な色変化に起因する可能性が高い。 重要なことは、これらの単純な色に基づく表現は、ランダムなベースラインをかなりのマージンで一貫して上回り、生の色分布が非ランダムで診断に関係のあるシグナルをコードしていることを示している。 その結果、単純で計算効率の良い色特徴が効果的な事前スクリーニングツールとして役立つことが示唆された。 悪性度の強い色指標を持つサンプルを同定することにより、これらの軽量モデルは、複雑なディープラーニングアーキテクチャの計算負担を軽減し、ファーストパストリアージシステムとして機能する可能性がある。

関連論文リスト

• Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset [0.8374077003751697]
  色マップに基づく特徴表現によって強化された視覚変換器(ViT)に基づく深層学習フレームワークを提案し,脳腫瘍の分類性能を向上させる。 BRISC2025データセットは、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍の4つのクラスを含む。 提案手法は,ベースライン畳み込みニューラルネットワークモデルよりも優れた98.90%の分類精度を実現する。
  論文  参考訳（メタデータ） (2026-03-22T13:46:05Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• Colors Matter: AI-Driven Exploration of Human Feature Colors [0.0]
  本研究では,特徴抽出と重要な人的属性の分類に,高度なイメージング技術と機械学習を用いる。 デルタE-HSV法とガウスアンブラーを用いた音調分類において,最大80%の精度を達成している。 この研究は、AIによる色分析と、包括的で正確でニュアンスのある分類を提供するための特徴抽出の可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-20T21:35:44Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• A Novel Approach to Breast Cancer Histopathological Image Classification Using Cross-Colour Space Feature Fusion and Quantum-Classical Stack Ensemble Method [0.0]
  乳癌の分類は、タイムリーな診断と効果的な治療を確実にするための重要な柱である。 本研究は、乳がん分類の精度を高めるために、色空間アンサンブルと量子古典的積み重ねの相乗効果を利用する。
  論文  参考訳（メタデータ） (2024-04-03T04:26:50Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Leveraging Adaptive Color Augmentation in Convolutional Neural Networks for Deep Skin Lesion Segmentation [0.0]
  データ表現とモデル性能を増幅する適応色拡張手法を提案する。 正常な皮膚組織に対して皮膚病変を識別するためのネットワークによって得られた意味的構造的特徴を質的に同定し,検証した。
  論文  参考訳（メタデータ） (2020-10-31T00:16:23Z)

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。