論文の概要: Contrast Enhancement or Noise Reduction? On Improving Cervical Cancer Classification

• arxiv url: http://arxiv.org/abs/2610.11086v1
• Date: Thu, 08 Oct 2026 01:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.736079
• Title: Contrast Enhancement or Noise Reduction? On Improving Cervical Cancer Classification
• Title（参考訳）: コントラスト改善かノイズ低減か : 頚部癌分類の改善について
• Abstract要約: 子宮頸癌は世界中で死亡率の高い原因の1つである。 深層学習は医用画像分類において有望な性能を示した。 本研究では,Popスミア画像分類における画像前処理アルゴリズムがCNNの性能に与える影響を評価することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Cervical cancer is one of the leading causes of mortality worldwide. Deep learning has shown promising performance in medical image classification. The influence of image preprocessing algorithms on classification performance remains insufficiently investigated in the literature. This research aims to evaluate the impact of image preprocessing algorithms on the performance of CNNs for Pap smear image classification. Methods: Three CNN architectures (ResNet-34, MobileNet-V2, and DenseNet-121) were trained and evaluated using the SIPaKMeD dataset. Two preprocessing algorithms were applied: the PMD filter for noise reduction and CLAHE for contrast enhancement. The model performance was assessed using a confusion matrix. Results: Preprocessing improved the classification performance of all models. CLAHE significantly increased the accuracy of ResNet-34 from 76.73% to 84.16% and DenseNet-121 from 76.73% to 84.16%. The PMD filter yielded limited improvement and slightly reduced the MobileNet-V2 performance. Novelty: This research provides a systematic comparison of contrast enhancement and noise reduction techniques across CNN architectures. This research demonstrates that contrast enhancement is more effective than noise reduction in improving CNN performance. The research provides new pipelines for improving cervical cancer classification.
• Abstract（参考訳）: 目的: 骨盤癌は世界中で死因の1つである。 深層学習は医用画像分類において有望な性能を示した。 画像前処理アルゴリズムが分類性能に与える影響は, 文献ではまだ十分に研究されていない。 本研究の目的は,Popスミア画像分類における画像前処理アルゴリズムがCNNの性能に与える影響を評価することである。 方法: SIPaKMeDデータセットを用いて3つのCNNアーキテクチャ(ResNet-34, MobileNet-V2, DenseNet-121)をトレーニングし評価した。 ノイズ低減のためのPMDフィルタとコントラスト強化のためのCLAHEの2つの前処理アルゴリズムを適用した。 モデル性能は混乱行列を用いて評価した。 結果: 前処理により,全モデルの分類性能が向上した。 CLAHEはResNet-34の精度を76.73%から84.16%に、DenseNet-121は76.73%から84.16%に大幅に向上させた。 PMDフィルタは改善が限定され、MobileNet-V2の性能はわずかに低下した。 新規性: この研究は、CNNアーキテクチャ間のコントラスト強化とノイズ低減手法の体系的比較を提供する。 本研究は,CNNの性能向上において,コントラスト向上がノイズ低減よりも有効であることを示す。 この研究は、頸部がんの分類を改善するための新しいパイプラインを提供する。

関連論文リスト

• Skin Lesion Classification Using a Soft Voting Ensemble of Convolutional Neural Networks [0.0]
  本稿では,CNNのソフト投票アンサンブルを用いた早期皮膚がん分類法を提案する。 この方法は3つのデータセットに対して96.32%、90.86%、93.92%の病変認識精度を達成した。
  論文  参考訳（メタデータ） (2025-12-23T15:20:47Z)
• Advanced cervical cancer classification: enhancing pap smear images with hybrid PMD Filter-CLAHE [0.0]
  畳み込みニューラルネットワーク(CNN)は、頚癌検診の自動化を約束している。 本研究では, 頚癌分類における各種画像前処理技術がCNN性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2025-06-18T14:26:57Z)
• New Insight in Cervical Cancer Diagnosis Using Convolution Neural Network Architecture [0.0]
  畳み込みニューラルネットワーク(CNN)モデルにおける右の選択は、画像分類におけるCNNの成功の鍵となる。 本研究は, 頚部癌スミア画像の分類に, 勾配降下(SGD), RMSprop, Adam, AdaGrad, AdaDelta, Adamax, Nadamsを用いた。 実験結果から,すべてのCNNおよび最適化手法において,転送学習モデルの性能が向上することが結論された。
  論文  参考訳（メタデータ） (2024-10-23T10:11:39Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• 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)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
  画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。 我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-11-13T16:04:39Z)
• 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)
• Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages [0.3058685580689604]
  提案した研究は2つの主要なフェーズから構成される。 第1フェーズでは、画像が前処理され、クラッタが除去され、訓練画像の洗練されたバージョンが生成される。 実験の結果,両ネットワークの精細化版を用いて,列車および検証精度の顕著な向上を示した。 アートインセプション-v3ネットワークを用いた最終テスト精度は86%であった。
  論文  参考訳（メタデータ） (2020-03-13T16:07:00Z)

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。