論文の概要: Multi-cancer detection using a computationally efficient CNN with transfer learning

• arxiv url: http://arxiv.org/abs/2606.22400v1
• Date: Sun, 21 Jun 2026 09:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:26:38.223221
• Title: Multi-cancer detection using a computationally efficient CNN with transfer learning
• Title（参考訳）: 転送学習を用いた計算効率の良いCNNを用いたマルチカメラ検出
• Authors: Vasileios E. Papageorgiou, Georgios Petmezas, Dimitrios-Panagiotis Papageorgiou, Leandros Stefanopoulos, Nicos Maglaveras,
• Abstract要約: 本研究では,マルチカメラ検出のためのトランスファー学習により強化された計算効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 脳磁気共鳴画像(MRI)と肺・腎CT(CT)の3種類の異なる腫瘍データセットについて検討した。 試験精度は90.85 +- 2.22%、98.64 +- 2.43%、99.92 +- 0.08%である。
• 参考スコア（独自算出の注目度）: 0.4889686357485836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a computationally efficient convolutional neural network (CNN) architecture enhanced with transfer learning for multi-cancer detection using biomedical images. The proposed lightweight CNN model is designed to reduce computational complexity while maintaining high classification performance, making it suitable for deployment in resource-constrained environments. We evaluate this approach on three distinct tumor datasets comprising brain magnetic resonance imaging (MRI) and lung and kidney computed tomography (CT) scans. The model achieves test accuracy of 90.85 +- 2.22%, 98.64 +- 2.43% and 99.92 +- 0.08% for brain, lung, and kidney cancer classification, respectively, using 5-fold stratified cross-validation (CV). Transfer learning is employed by pretraining the model on one cancer type and fine-tuning it on the others, requiring only 20 additional epochs to achieve performance comparable to models trained from scratch. The fine-tuning process involves updating the classification part of the CNN and requires approximately 0.014 seconds per image per epoch using an NVIDIA GeForce GTX 960. Comparative evaluations show that the proposed model outperforms several state-of-the-art pretrained architectures, such as Xception, VGG16, VGG19, MobileNetV2 and DenseNet121. Overall, the model's effectiveness is evaluated across three types of cancer with distinct morphological characteristics, assessing its performance on both MRI and CT imaging modalities and demonstrating robust performance across diverse tasks and data types. These findings underscore the potential of streamlined deep learning (DL) frameworks in accelerating cancer diagnosis without sacrificing accuracy, especially in settings with limited computational resources.
• Abstract（参考訳）: 本研究では,生体画像を用いたマルチカメラ検出のためのトランスファーラーニングにより強化された計算効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案する軽量CNNモデルは,高い分類性能を維持しながら計算複雑性を低減し,資源制約環境への展開に適した設計である。 脳磁気共鳴画像(MRI)と肺・腎臓CT(CT)の3種類の異なる腫瘍データセットについて検討した。 試験精度は90.85 +- 2.22%、98.64 +- 2.43%、99.92 +- 0.08%で、それぞれ脳、肺、腎臓がんの分類に5倍の層状クロスバリデーション(CV)を用いる。 移行学習は、あるがんタイプにモデルを事前訓練し、他のがんタイプに微調整することで、スクラッチからトレーニングされたモデルに匹敵するパフォーマンスを達成するために、20のエポックしか必要としない。 微調整プロセスでは、CNNの分類部分を更新し、NVIDIA GeForce GTX 960を使用して、エポック毎に約0.014秒のイメージを必要とする。 比較評価の結果,提案手法はXception, VGG16, VGG19, MobileNetV2, DenseNet121など,最先端の事前訓練アーキテクチャよりも優れていた。 全体として、モデルの有効性は、形態学的特徴の異なる3種類の癌で評価され、MRIとCTの両方での性能を評価し、様々なタスクやデータタイプで堅牢な性能を示す。 これらの知見は, 精度を犠牲にすることなく, 特に計算資源が限られている環境でのがん診断を加速する上で, 合理化深層学習(DL)フレームワークの可能性を明らかにするものである。

関連論文リスト

• Brain Tumor Classification in MRI Images: A Computationally Efficient Convolutional Neural Network [0.0]
  マルチクラス脳腫瘍分類のための軽量かつ高性能な畳み込みニューラルネットワーク(CNN)を提案する。 このモデルは、FigshareとKaggleの2つの公開データセットで厳格に評価された。 提案手法は計算オーバーヘッドを減らし,優れた性能を示した。
  論文  参考訳（メタデータ） (2026-05-11T21:39:24Z)
• Lung Cancer Classification from CT Images Using ResNet [0.0]
  肺組織由来の悪性腫瘍である肺癌は、医学的イメージング技術、特にCT(Computed tomography)を用いて診断され分類される。 既存の研究は主に悪性腫瘍と良性肺結節を区別する二分分類に焦点を当てている。 本研究では,CT画像から肺がんの様々なサブタイプを識別する多クラス分類の改善を目的とした,新しい深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-18T02:44:02Z)
• Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
  ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。 新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。 この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
  論文  参考訳（メタデータ） (2025-05-08T13:02:44Z)
• 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)
• Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network [18.497065020090062]
  この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。 深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
  論文  参考訳（メタデータ） (2022-04-26T13:20:42Z)
• 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)
• Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
  本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-28T19:27:51Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。