Fugu-MT 論文翻訳(概要): A Lightweight CNN Integrated Compact Convolutional Transformer for Multi-Scale Feature Learning and reducing computational complexity for breast cancer mammography image detection and classification

論文の概要: A Lightweight CNN Integrated Compact Convolutional Transformer for Multi-Scale Feature Learning and reducing computational complexity for breast cancer mammography image detection and classification

arxiv url: http://arxiv.org/abs/2609.18212v1
Date: Wed, 16 Sep 2026 06:42:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.679899
Title: A Lightweight CNN Integrated Compact Convolutional Transformer for Multi-Scale Feature Learning and reducing computational complexity for breast cancer mammography image detection and classification
Title（参考訳）: マルチスケール特徴学習のための軽量CNN統合コンパクト畳み込み変換器と乳がんマンモグラフィ画像検出・分類における計算複雑性の低減
Abstract要約: 3セットの乳がんマンモグラフィーを用いて検討した。 250,435のパラメータだけで、3つのデータセットで99%-100%の精度を達成し、堅牢な一般化を示している。提案したCNN統合CCTの新規性は、畳み込みトークン化とトランスフォーマーベースの学習を統合することで、最後の層におけるCNNの勾配劣化の制限を克服する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the years, Convolutional Neural Networks (CNNs) have demonstrated strong capability in cancer detection and classification using medical images. However, CNN-based models often struggle to capture long-range contextual dependencies. In such scenarios, integrating Compact Convolutional Transformer (CCT) architectures after the CCT layer allows CNN-extracted features to reshape into compact patch tokens using a CCT tokenizer, followed by the addition of positional embeddings to preserve spatial structure. Using 5-fold cross-validation, the model was tested on 3 sets of breast cancer mammography. With only 250,435 parameters, the model achieved 99%-100% accuracy across 3 datasets, indicating robust generalization. Explainable AI (XAI) was integrated into the model to explain the breast cancer classification process to enhance clinical trust. The results indicate that the proposed framework is suitable for computer-aided diagnosis systems, particularly in resource-constrained clinical environments. The novelty of the proposed CNN-integrated CCT overcomes the limitation of CNN's gradient degradation in the last layers by integrating convolutional tokenization with transformer-based learning. Lighter than ViT, which is effective in capturing long-range dependencies, the model has also proven efficient in breast cancer classification by capturing long-range dependencies among breast tissue regions.
Abstract（参考訳）: 長年にわたって、CNN(Convolutional Neural Networks)は、医療画像を用いたがんの検出と分類において、強力な能力を示してきた。しかし、CNNベースのモデルは、長い範囲のコンテキスト依存を捉えるのに苦労することが多い。このようなシナリオでは、CCT層の後、コンパクト畳み込み変換器(CCT)アーキテクチャを統合することで、CNNが抽出した特徴がCCTトークン化器を使用してコンパクトなパッチトークンに変換され、次いで空間構造を保存するために位置埋め込みが追加される。 5-fold cross-validation を用いて3セットの乳癌乳房造影で検討した。 250,435のパラメータだけで、3つのデータセットで99%-100%の精度を達成し、堅牢な一般化を示している。乳がん分類プロセスを説明するために, 説明可能なAI(XAI)をモデルに統合し, 臨床信頼度を高めた。その結果,提案フレームワークはコンピュータ支援診断システム,特に資源制約のある臨床環境に適していることが示唆された。提案したCNN統合CCTの新規性は、畳み込みトークン化とトランスフォーマーベースの学習を統合することで、最後の層におけるCNNの勾配劣化の制限を克服する。長距離依存性を捉えるのに有効なViTよりも軽いが、このモデルは乳房組織領域間の長距離依存性を捉えることで、乳がん分類において効果的であることが証明されている。

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)
DSVTLA: Deep Swin Vision Transformer-Based Transfer Learning Architecture for Multi-Type Cancer Histopathological Cancer Image Classification [4.251634300723203]
提案するフレームワークは階層型Swin変換器とResNet50ベースの畳み込み機能抽出を統合している。我々のアプローチは、DenseNet121、DenseNet201、InceptionV3、ResNet50、EfficientNetB3、Swin Transformerモデルなど、最先端のCNNおよび転送モデルと共にベンチマークされている。以上の結果から, 肺結腸癌, セグメンテーション白血病データセット, 99.23%の検診精度が得られた。
論文参考訳（メタデータ） (2026-04-10T16:25:27Z)
EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文参考訳（メタデータ） (2025-09-26T05:51:59Z)
Multi-Scale Deep Learning for Colon Histopathology: A Hybrid Graph-Transformer Approach [0.0]
大腸癌としても知られる大腸がんは、世界で最も悪性ながんの1つである。本研究では, カプセルネットワーク, グラフアテンション機構, トランスフォーマーモジュール, 残留学習を併用し, 大腸癌の分類を推し進めるハイブリッドマルチスケールディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-09-02T21:40:57Z)
HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis [1.5939351525664014]
マルチクラス腫瘍分類のためのトランスフォーマーに基づくディープラーニングフレームワークを提案する。本手法は従来の畳み込みニューラルネットワークの限界に対処する。アプローチ分類では, 乳がん, 前立腺癌, 骨癌, 頸部癌が99.32%, 96.92%, 95.28%, 96.94%であった。
論文参考訳（メタデータ） (2025-08-15T03:10:52Z)
Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。病理像を良性群と悪性群に迅速かつ自動分類することができる。本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
論文参考訳（メタデータ） (2024-04-12T07:08:05Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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)
SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2020-05-30T16:01:31Z)
An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。