論文の概要: Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology

• arxiv url: http://arxiv.org/abs/2608.15915v1
• Date: Sun, 16 Aug 2026 20:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.466982
• Title: Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology
• Title（参考訳）: 肺癌病理組織学におけるディープラーニングアーキテクチャの総合的ベンチマーク
• Abstract要約: 肺がんは、世界中でがん関連死亡の原因となっている。 深層学習は、計算病理学にかなりの可能性を示している。 本研究では,多段階組織分類のための2段階の深層学習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）: 1.1526546449734862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer remains the leading cause of cancer-related mortality worldwide, while histopathological diagnosis is often affected by inter-observer variability and the substantial workload associated with manual slide examination. Although deep learning has shown considerable potential in computational pathology, comprehensive benchmarks that integrate tissue classification and region segmentation within a unified analytical framework remain limited. This study presents a two-stage deep learning framework for multi-class tissue classification and pixel-level histopathological region segmentation, accompanied by a systematic comparison of state-of-the-art architectures at each stage. For tissue classification, six models, a custom convolutional neural network, VGG16, DenseNet, MobileNetV3, a custom Vision Transformer, and YOLO11, are evaluated on a combined dataset of 39,000 images derived from LC25000 and LungHist700. The models distinguish between adenocarcinoma, squamous cell carcinoma, and normal lung tissue. YOLO11 achieves the best classification performance, with an accuracy of 98.38%, a five-fold cross-validation accuracy of 98.21 +/- 0.35%, and a macro F1-score of 0.98. For region segmentation, U-Net, ResNet-encoder U-Net, DeepLabV3+, and YOLO11-seg are evaluated using the GlaS gland segmentation benchmark. DeepLabV3+ obtains the highest Intersection over Union of 0.80 and a Dice score of 0.89, while YOLO11-seg achieves a comparable Intersection over Union of 0.79 using approximately 14x fewer parameters. The best-performing classification and segmentation models are subsequently integrated into an end-to-end framework, providing an accurate, computationally efficient, and reproducible baseline for automated histopathological image analysis.
• Abstract（参考訳）: 肺がんは世界中でがん関連死亡の原因となっているが、病理組織学的診断は、しばしば、サーバー間の変動と、手動スライド検査に伴うかなりの負荷によって影響を受ける。 深層学習は計算病理学においてかなりの可能性を示しているが、組織分類と領域分割を統合した総合的なベンチマークは依然として限られている。 本研究では,多層組織分類とピクセルレベルの病理組織学的領域区分のための2段階のディープラーニングフレームワークについて,各段階における最先端アーキテクチャの体系的比較を行った。 組織分類には、カスタム畳み込みニューラルネットワーク、VGG16、DenseNet、MobileNetV3、カスタムビジョントランスフォーマー、YOLO11の6つのモデルが、LC25000とLungHist700から得られた39,000の画像の組み合わせデータセットで評価されている。 モデルは腺癌、扁平上皮癌、および正常肺組織を区別する。 YOLO11は98.38%の精度、5倍のクロスバリデーション精度98.21 +/-0.35%、マクロF1スコア0.98で最高の分類性能を達成している。 領域セグメンテーションについては,GlaS腺セグメンテーションベンチマークを用いて,U-Net,ResNet-encoder U-Net,DeepLabV3+,YOLO11-segを評価した。 DeepLabV3+はUnionが0.80、Diceスコアが0.89であり、YOLO11-segはUnionが0.79と同等のインターセクションを約14倍のパラメータで達成している。 最高の性能の分類とセグメンテーションモデルは、その後エンドツーエンドのフレームワークに統合され、自動病理画像解析のための正確で、計算効率が良く、再現可能なベースラインを提供する。

関連論文リスト

• Multi-cancer detection using a computationally efficient CNN with transfer learning [0.4889686357485836]
  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。
  論文  参考訳（メタデータ） (2026-06-21T09:12:44Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• Linking spatial biology and clinical histology via Haiku [35.723756132708026]
  マルチプレクシド免疫蛍光(mIF)を訓練した3モーダルコントラスト学習モデルHaikuについて紹介する。 11種類の臓器にまたがる1,606人の患者から3,218の組織から267万個の空間パッチを採取する。
  論文  参考訳（メタデータ） (2026-04-30T18:53:32Z)
• Diagnostic Performance of Universal-Learning Ultrasound AI Across Multiple Organs and Tasks: the UUSIC25 Challenge [34.86849736082012]
  現在の超音波AIは、シングルタスクツールに断片化されている。 汎用AIモデルは、単一のアーキテクチャを使用して複数のタスクにわたって高い精度と効率を達成する。
  論文  参考訳（メタデータ） (2025-12-19T06:54:30Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Deep Learning Enabled Segmentation, Classification and Risk Assessment of Cervical Cancer [0.0]
  世界で4番目に多い女性がんの原因である頸部がんは、パパ・スミアテストによる早期発見が必要である。 本研究では,細胞の境界を区分けし,がん細胞を分離するために境界ボックスを描画することにより,焦点を絞った解析を行った。 様々な解像度とアスペクト比の画像を効果的に処理するために,新しいディープラーニングアーキテクチャであるMulti-Resolution Fusion Deep Convolutional Networkを提案した。
  論文  参考訳（メタデータ） (2025-05-21T13:25:27Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• SALT: Introducing a Framework for Hierarchical Segmentations in Medical Imaging using Softmax for Arbitrary Label Trees [1.004700727815227]
  本研究は, 解剖学的ランドマークの階層構造を地図化するために条件付き確率を利用するCT画像の新しいセグメンテーション手法を提案する。 The Cancer Imaging Archive (TCIA)のSAROSデータセットを用いて、893人の患者から900の身体領域を分離したモデルを開発した。 SAROS, CT-ORG, FLARE22, LCTSC, LUNA16, WORDなど,各種データセットのDiceスコアを用いて評価を行った。
  論文  参考訳（メタデータ） (2024-07-11T21:33:08Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。