Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

A Novel Channel Boosted Residual CNN-Transformer with Regional-Boundary Learning for Breast Cancer Detection

Created by
  • Haebom
Category
Empty

저자

Aamir Mehmood (Artificial Intelligence Lab, Department of Computer Systems Engineering, University of Engineering,Applied Sciences), Yue Hu (Artificial Intelligence Lab, Department of Computer Systems Engineering, University of Engineering,Applied Sciences), Saddam Hussain Khan (Artificial Intelligence Lab, Department of Computer Systems Engineering, University of Engineering,Applied Sciences)

개요

본 논문은 유방 초음파 영상(BUSI)에서 종양을 탐지하기 위한 새로운 하이브리드 프레임워크인 CB-Res-RBCMT를 제시합니다. CB-Res-RBCMT는 맞춤형 Residual CNN과 새로운 ViT 구성 요소를 결합하여 BUSI 암 분석을 수행합니다. RBCMT는 stem convolution 블록과 CNN Meet Transformer (CMT) 블록을 사용하고, 새로운 Regional and boundary (RB) 특징 추출 연산을 통해 명암 및 형태 변화를 포착합니다. CMT 블록은 다중 헤드 어텐션을 통해 전역 문맥 상호 작용을 통합하여 경량 설계로 계산 효율성을 높입니다. 또한, CMT 내의 맞춤형 역잔차 및 stem CNN은 국소적인 질감 정보를 효과적으로 추출하고 vanishing gradient 문제를 해결합니다. 마지막으로, 새로운 채널 강화 (CB) 전략은 전이 학습 기반의 Residual CNN 생성 맵과 원래 RBCMT 채널을 결합하여 제한된 데이터셋의 특징 다양성을 풍부하게 합니다. 이러한 다양한 채널은 공간적 어텐션 블록을 통해 처리되어 중복성을 줄이고 미세한 명암 및 질감 변화의 식별력을 향상시킵니다. 제안된 CB-Res-RBCMT는 표준 조정된 엄격한 BUSI 데이터셋에서 F1-score 95.57%, 정확도 95.63%, 민감도 96.42%, 정밀도 94.79%를 달성하여 기존 ViT 및 CNN 방법을 능가합니다.

시사점, 한계점

•
시사점:
◦
기존 CNN 및 ViT 기반 방법보다 우수한 성능(F1-score 95.57%, 정확도 95.63%, 민감도 96.42%, 정밀도 94.79%)을 달성하여 유방암 진단의 정확성 향상에 기여.
◦
CNN과 ViT의 장점을 결합한 하이브리드 모델의 효과성을 입증.
◦
제한된 데이터셋에서도 우수한 성능을 달성할 수 있는 채널 강화 전략 제시.
◦
경량 설계를 통해 계산 효율성 향상.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요. (다양한 데이터셋에 대한 검증 부족)
◦
다른 유형의 의료 영상 데이터에 대한 적용 가능성에 대한 추가 연구 필요.
◦
모델의 복잡성에 대한 자세한 분석 부족. (경량 설계라고 언급했지만, 구체적인 비교 분석이 부족할 수 있음)
👍
Made with Slashpage