Harnessing Transformers: A Leap Forward in Lung Cancer Image Detection

要約

この論文では、画像解析に基づく癌検出における転移学習 (TL) とトランスフォーマーの役割について説明します。
がん患者の大幅な進化に伴い、患者の体内のがん細胞の識別が人工知能 (AI) の分野のトレンドとして浮上しています。
このプロセスには、コンピューター断層撮影 (CT) スキャンや磁気共鳴画像法 (MRI) などの医療画像の分析が含まれ、がんの検出に役立つ可能性のある異常な増殖を特定します。
がんの分類と検出の品質とパフォーマンスを向上させるために、TL などの多くの技術や方法が実現されています。TL では、同じタスクまたはドメインを持つタスク間で知識を伝達できます。
TL は、多くのメソッド、特に ImageNet データセットでトレーニングされたトランスフォーマーや畳み込みニューラル ネットワーク (CNN) モデルなどの画像解析で使用されるメソッドを包括します。
この論文では、画像解析に基づいて TL の各方法を分析および批判し、各方法の結果を比較し、トランスフォーマーが結腸癌検出では 97.41%、組織病理学的肺癌では 94.71% の精度で最良の結果を達成したことを示しています。
画像解析に基づくがん検出の将来の方向性についても議論します。

要約(オリジナル)

This paper discusses the role of Transfer Learning (TL) and transformers in cancer detection based on image analysis. With the enormous evolution of cancer patients, the identification of cancer cells in a patient’s body has emerged as a trend in the field of Artificial Intelligence (AI). This process involves analyzing medical images, such as Computed Tomography (CT) scans and Magnetic Resonance Imaging (MRIs), to identify abnormal growths that may help in cancer detection. Many techniques and methods have been realized to improve the quality and performance of cancer classification and detection, such as TL, which allows the transfer of knowledge from one task to another with the same task or domain. TL englobes many methods, particularly those used in image analysis, such as transformers and Convolutional Neural Network (CNN) models trained on the ImageNet dataset. This paper analyzes and criticizes each method of TL based on image analysis and compares the results of each method, showing that transformers have achieved the best results with an accuracy of 97.41% for colon cancer detection and 94.71% for Histopathological Lung cancer. Future directions for cancer detection based on image analysis are also discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google