Fugu-MT 論文翻訳(概要): Energy and Performance Benchmarking of Deep Learning Models for Breast Cancer Detection

論文の概要: Energy and Performance Benchmarking of Deep Learning Models for Breast Cancer Detection

arxiv url: http://arxiv.org/abs/2608.09996v1
Date: Fri, 07 Aug 2026 13:01:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.747252
Title: Energy and Performance Benchmarking of Deep Learning Models for Breast Cancer Detection
Title（参考訳）: 乳がん検出のための深層学習モデルのエネルギー・性能ベンチマーク
Abstract要約: 乳がん検出のための深層学習モデルとして,乳房超音波とBreakHis 400Xの比較検討を行った。評価されたアーキテクチャは、畳み込みニューラルネットワーク(CNN)やトランスフォーマーからハイブリッドモデルまで様々である。本研究は,医療応用のためのモデルを選択する際に,パフォーマンス,エミッション,データセットの特徴を共同で検討することの重要性を強調した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in machine learning have greatly improved breast cancer detection, enabling more accurate and timely diagnosis. Deep learning (DL) models show strong potential for medical image analysis; however, as their architectural complexity increases, their environmental impacts are becoming a growing concern. In this paper, we present a comparative analysis of seven DL models for breast cancer detection on two medical datasets: Breast Ultrasound and BreakHis 400X. The evaluated architectures range from Convolutional Neural Networks (CNNs) and transformers to hybrid models. In addition to performance metrics, we assess CO2 emissions during both training and inference. Our results show that EfficientNet and ResNet consistently deliver strong performance, although with higher CO2 emissions. The selected transformers, such as DeiT-Tiny, perform competitively on both datasets, whereas DenseNet121 achieves lower accuracy. On the Breast Ultrasound Dataset, DeiT provides the most favourable balance between accuracy and energy consumption, whereas on the BreakHis dataset, the ViT and Swin models achieve the best results. Overall, our findings indicate that no single architecture category from the evaluated ones consistently dominates across the two selected datasets. Our results highlight the importance of jointly considering performance, emissions, and dataset characteristics when selecting models for medical applications.
Abstract（参考訳）: 機械学習の最近の進歩は乳がんの検出を大幅に改善し、より正確でタイムリーな診断を可能にした。深層学習(DL)モデルは医用画像解析の強力な可能性を示しているが、そのアーキテクチャの複雑さが増大するにつれて、その環境への影響がますます懸念されている。本稿では,乳がん検出のための7つのDLモデルの比較分析を行い,乳房超音波とBreakHis 400Xの比較を行った。評価されたアーキテクチャは、畳み込みニューラルネットワーク(CNN)やトランスフォーマーからハイブリッドモデルまで様々である。パフォーマンス指標に加えて、トレーニングと推論の両方でCO2排出量を評価します。 EfficientNet と ResNet は,CO2 排出量が高いにもかかわらず,常に高い性能を実現している。 DeiT-Tinyのような選択されたトランスフォーマーは、両方のデータセットで競合的に動作しますが、DenseNet121はより低い精度を実現しています。 Breast Ultrasound Datasetでは、DeiTは精度とエネルギー消費の最も好ましいバランスを提供するが、BreakHisデータセットでは、ViTとSwinモデルが最も良い結果が得られる。以上の結果から,評価対象から選択した2つのデータセットにおいて,単一のアーキテクチャカテゴリが常に支配的であることが示唆された。本研究は,医療応用のためのモデルを選択する際に,パフォーマンス,エミッション,データセットの特徴を共同で検討することの重要性を強調した。

関連論文リスト

Mammographic Lesion Segmentation with Lightweight Models: A Comparative Study [0.0]
本研究は,マンモグラフィ病変分割のための軽量モデルの性能と効率を評価する。 Squeeze-and-Excitation (SCSE) を搭載した MobileNetV2 は Dice スコア 0.5766 で最高のパフォーマンスを達成した。
論文参考訳（メタデータ） (2026-04-26T22:01:35Z)
Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文参考訳（メタデータ） (2026-01-29T14:06:50Z)
Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文参考訳（メタデータ） (2025-11-06T23:20:37Z)
Improving Performance, Robustness, and Fairness of Radiographic AI Models with Finely-Controllable Synthetic Data [14.791557943114737]
RoentGen-v2は胸部X線写真のためのテキスト・画像拡散モデルである。人口動態条件付き臨床的にもっともらしい画像を生成する。我々は、この大規模な合成データセットを用いて、下流疾患分類モデルのための最適なトレーニングパイプラインを評価する。
論文参考訳（メタデータ） (2025-08-22T20:30:58Z)
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)
Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-02-01T21:06:42Z)
ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。まず、ScaleMAIは25,362個のCTスキャンを作成した。第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
論文参考訳（メタデータ） (2025-01-06T22:12:00Z)
Segmentation Strategies in Deep Learning for Prostate Cancer Diagnosis: A Comparative Study of Mamba, SAM, and YOLO [0.6116681488656472]
本研究は,前立腺癌組織像の分画のための深層学習法であるMamba,SAM,YOLOの比較分析を行った。 Gleason 2019 と SICAPv2 という2つの総合データセット上で,Dice スコア,精度,リコール指標を用いてこれらのモデルの性能を評価した。 H-Vmunetモデルの高度なアーキテクチャは、高階の視覚状態空間と2D選択的スキャン操作を統合することで、効率的かつセンシティブな病変検出を可能にする。
論文参考訳（メタデータ） (2024-09-24T16:04:29Z)
High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文参考訳（メタデータ） (2022-09-20T15:57:12Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。