論文の概要: Performance and Interpretability of Convolutional, Transformer, and Hybrid Deep Learning Models in Colorectal Histology Classification
- arxiv url: http://arxiv.org/abs/2606.23744v1
- Date: Sun, 21 Jun 2026 18:56:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.595487
- Title: Performance and Interpretability of Convolutional, Transformer, and Hybrid Deep Learning Models in Colorectal Histology Classification
- Title（参考訳）: 大腸癌組織分類における畳み込み・変圧器・ハイブリッドディープラーニングモデルの性能と解釈可能性
- Authors: Reza Bozorgpour,
- Abstract要約: 本研究では, Kather の大腸癌組織学データセットを用いて, ImageNet-pretrained CNN, Transformer, Hybrid Architectures の12種類の評価を行った。
EVA-02は最高性能(精度97.1%、F1スコア97.0%)を達成し、その後ViT-B/16が続いた。
- 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: Deep learning has become an important tool in computational pathology, enabling automated analysis of histopathological images. While convolutional neural networks (CNNs) have traditionally dominated this field, transformer-based and hybrid architectures have recently demonstrated promising performance. However, comprehensive comparisons of these approaches for colorectal histopathology remain limited. This study evaluated twelve ImageNet-pretrained CNN, transformer, and hybrid architectures using the Kather colorectal histopathology dataset containing 5,000 image tiles from eight tissue classes. All models were trained using a standardized transfer-learning and fine-tuning protocol and assessed using multiple performance metrics, including accuracy, precision, sensitivity, specificity, F1-score, ROC-AUC, Cohen's kappa, and Matthews correlation coefficient. All evaluated models achieved high classification performance, with accuracies ranging from 93.2% to 97.1%. EVA-02 achieved the highest overall performance (97.1% accuracy, 97.0% F1-score), closely followed by ViT-B/16. Among CNNs, ResNet34 and ConvNeXt-Tiny demonstrated highly competitive performance, achieving accuracies of 96.4% and 96.3%, respectively. Transformer architectures generally produced the strongest results across evaluation metrics, although the performance gap between the best transformer and CNN models was relatively small. Per-class analysis showed consistently strong classification performance across all tissue categories, with Complex Stroma representing the most challenging class. Overall, transformer-based architectures achieved the highest predictive performance, whereas modern CNNs provided a favorable balance between accuracy and model complexity. These findings provide a comprehensive benchmark of major deep learning paradigms for colorectal histopathology classification.
- Abstract（参考訳）: 深層学習は計算病理学において重要なツールとなり、病理画像の自動解析を可能にした。
畳み込みニューラルネットワーク(CNN)は伝統的にこの分野を支配してきたが、トランスフォーマーベースのハイブリッドアーキテクチャは最近、有望なパフォーマンスを示している。
しかし,これらの大腸病理組織学的アプローチの包括的比較はいまだに限られている。
本研究では,8種類の組織から5,000枚の画像タイルを含むKather大腸癌病理組織データセットを用いて,12のImageNet-pretrained CNN,transformer,およびハイブリッドアーキテクチャについて検討した。
全てのモデルは標準化された転送学習と微調整プロトコルを使用して訓練され、精度、精度、感度、特異性、F1スコア、ROC-AUC、コーエンのカッパ、マシューズ相関係数などの複数のパフォーマンス指標を用いて評価された。
評価された全てのモデルは、93.2%から97.1%の範囲で高い分類性能を達成した。
EVA-02は最高性能(精度97.1%、F1スコア97.0%)を達成し、その後ViT-B/16が続いた。
CNNのうち、ResNet34とConvNeXt-Tinyは高い競争力を示し、それぞれ96.4%と96.3%の精度を達成した。
トランスフォーマーアーキテクチャは一般に評価指標で最強の結果が得られたが、最高のトランスフォーマーとCNNモデルのパフォーマンスギャップは比較的小さい。
群別分析では, 組織ごとの分類成績が良好であり, コンプレックス・ストロマが最も難易度が高い。
全体として、トランスフォーマーベースのアーキテクチャは最高の予測性能を達成したが、現代のCNNは精度とモデルの複雑さのバランスが良好であった。
これらの知見は,大腸病理組織学分類における主要な深層学習パラダイムの総合的ベンチマークを提供する。
関連論文リスト
- Benchmarking CNN-based Models against Transformer-based Models for Abdominal Multi-Organ Segmentation on the RATIC Dataset [3.428885759047836]
腹部CT検査における多臓器分画は, 診断・治療に不可欠である。
トランスフォーマーベースのアーキテクチャは、長距離依存関係をモデル化する能力により、最近注目を集めている。
本研究では,UNETR,SwinUNETR,UNETR++の3つのハイブリッドトランスフォーマーベースモデルと,強力なCNNベースラインであるSegResNetを比較検討した。
論文 参考訳（メタデータ） (2026-03-19T08:35:11Z) - When CNNs Outperform Transformers and Mambas: Revisiting Deep Architectures for Dental Caries Segmentation [9.108764893521526]
コンボリューションニューラルネットワーク,ビジョントランスフォーマー,および状態空間のマンバアーキテクチャを,DC1000データセットによるパノラマX線写真による自動歯列セグメンテーションのために,初めて包括的なベンチマークを行った。
その結果、CNNベースのDoubleU-Netは、複雑な注意に基づくアーキテクチャの傾向とは対照的に、最も高いダイス係数は0.7345、mIoUは0.5978、精度は0.8145となり、全ての変圧器やマンバの変圧器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-11-18T19:16:21Z) - Skin Cancer Classification: Hybrid CNN-Transformer Models with KAN-Based Fusion [0.0]
Convolutional Kolmogorov-Arnold Network (CKAN) を用いた逐次および並列ハイブリッドCNN-Transformerモデルについて検討する。
そこでCNNは局所的な空間的特徴を抽出し、トランスフォーマーはグローバルな依存関係をモデル化し、CKANは表現学習を改善するために非線形な特徴融合を促進する。
HAM10000データセットで92.81%の精度と92.47%のF1スコア、PAD-UFESデータセットで97.83%のF1スコア、91.79%のF1スコア、91.17%のF1スコアを示す。
論文 参考訳（メタデータ） (2025-08-17T19:57:34Z) - Pose Matters: Evaluating Vision Transformers and CNNs for Human Action Recognition on Small COCO Subsets [0.0]
本研究では,COCO画像コーパスの3クラスサブセットを用いた人間の認識について検討する。
バイナリビジョン変換器(ViT)は90%の平均テスト精度を達成した。
論文 参考訳（メタデータ） (2025-06-13T11:16:50Z) - Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。
さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。
そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
論文 参考訳（メタデータ） (2024-10-04T11:31:43Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。