論文の概要: Intelligent Skin Cancer Detection Using a Multispectral Metasurface and a Hybrid

• arxiv url: http://arxiv.org/abs/2606.11287v1
• Date: Tue, 09 Jun 2026 17:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.112804
• Title: Intelligent Skin Cancer Detection Using a Multispectral Metasurface and a Hybrid
• Title（参考訳）: マルチスペクトルメタサーフェスとハイブリッドを用いた皮膚癌のインテリジェント検出
• Authors: Afsane Saee Arezoomand,
• Abstract要約: 皮膚がんは最も多い悪性腫瘍の1つである。 皮膚内視鏡および視覚イメージング技術は主に可視光スペクトルに限られる。 本研究では,マルチスペクトルメタサーフェスをハイブリッドディープラーニングアーキテクチャと統合する,革新的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skin cancer is among the most prevalent malignancies worldwiAdbe satnradcitts early detection is essential for improving patient survival and reducing treatment costs Conventional dermoscopic and visual imaging techniques are primarily limited to the visible spectrum and often fail to capture subtle spectral signatures associated with early stage malignancies This study proposes an innovative framework that integrates a multispectral metasurface for imaging with a hybrid deep learning architecture based on Convolutional Neural Networks and Vision Transformers The designed metasurface enables noninvasive acquisition of rich spectral information highly sensitive to tissue alterations while the hybrid CNN ViT model simultaneously extracts local and global features to robustly classify skin lesions Simulation-based evaluations demonstrate that the proposed method achieves approximately 98 accuracy 95 percentages sensitivity and 99 perentage specificity surpassing conventional RGB-based and single-architecture approaches Qualitative analyses using attention maps reveal that the model focuses on clinically relevant lesion regions improving interpretability Overall the results indicate that combining metasurface based multispectral imaging with hybrid deep learning can introduce a new generation of diagnostic tools in dermatology and pave the way for portable fast and highly accurate clinical systems
• Abstract（参考訳）: 皮膚がんは最も普及している悪性腫瘍の1つである。Adbe satnradcitts 早期発見は、患者の生存率の向上と治療コストの低減に不可欠である 従来の皮膚内視鏡的および視覚的イメージング技術は、主に可視光スペクトルに限られており、早期悪性腫瘍に関連する微妙な特徴を捉えることができず、しばしば早期悪性腫瘍に関連する微妙な特徴を捉えるのに失敗する。本研究では、マルチスペクトルメタサイトを、コンボリューショナルニューラルネットワークとビジョントランスフォーマーに基づくハイブリッド深層学習アーキテクチャに統合する革新的なフレームワークを提案する。デザインされたメタサイトは、組織の変化に非常に敏感なリッチスペクトル情報の非侵襲的取得を可能にする一方で、ハイブリッドCNN ViTモデルは、局所的およびグローバル的特徴を抽出し、皮膚病変を堅牢に分類する。シミュレーションベースの評価は、提案手法が、約98 95の精度と99パーセントのパーセンテージを達成し、従来のRGBの特異性を示す。

関連論文リスト

• 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)
• Deep Learning-Based Computer Vision Models for Early Cancer Detection Using Multimodal Medical Imaging and Radiogenomic Integration Frameworks [0.0]
  がんの早期発見は現代医療における最も重要な課題の1つだ。 近年の人工知能の進歩、特にディープラーニングは、医療画像解析の変革的な進歩を可能にしている。 深層学習に基づくコンピュータビジョンモデルは、マルチモーダルイメージングデータから複雑な空間的、形態的、時間的パターンを自動的に抽出することができる。
  論文  参考訳（メタデータ） (2025-11-30T03:28:48Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
  本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。 我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。 このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
  論文  参考訳（メタデータ） (2024-10-29T13:54:08Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。