論文の概要: Optimizing Deep Learning for Skin Cancer Classification: A Computationally Efficient CNN with Minimal Accuracy Trade-Off

• arxiv url: http://arxiv.org/abs/2505.21597v1
• Date: Tue, 27 May 2025 16:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.200757
• Title: Optimizing Deep Learning for Skin Cancer Classification: A Computationally Efficient CNN with Minimal Accuracy Trade-Off
• Title（参考訳）: 皮膚がん分類のための深層学習の最適化:最小精度取引を用いた計算効率の良いCNN
• Authors: Abdullah Al Mamun, Pollob Chandra Ray, Md Rahat Ul Nasib, Akash Das, Jia Uddin, Md Nurul Absur,
• Abstract要約: 本研究では,パラメータの96.7%削減を実現し,分類精度が0.022%未満のCNNモデルを提案する。 我々の軽量CNNアーキテクチャは、ResNet50の4.00億ドルと比較してわずか30.04万のFLOPしか含まないため、エネルギー消費、メモリフットプリント、推論時間を大幅に削減する。
• 参考スコア（独自算出の注目度）: 0.7392022204015549
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid advancement of deep learning in medical image analysis has greatly enhanced the accuracy of skin cancer classification. However, current state-of-the-art models, especially those based on transfer learning like ResNet50, come with significant computational overhead, rendering them impractical for deployment in resource-constrained environments. This study proposes a custom CNN model that achieves a 96.7\% reduction in parameters (from 23.9 million in ResNet50 to 692,000) while maintaining a classification accuracy deviation of less than 0.022\%. Our empirical analysis of the HAM10000 dataset reveals that although transfer learning models provide a marginal accuracy improvement of approximately 0.022\%, they result in a staggering 13,216.76\% increase in FLOPs, considerably raising computational costs and inference latency. In contrast, our lightweight CNN architecture, which encompasses only 30.04 million FLOPs compared to ResNet50's 4.00 billion, significantly reduces energy consumption, memory footprint, and inference time. These findings underscore the trade-off between the complexity of deep models and their real-world feasibility, positioning our optimized CNN as a practical solution for mobile and edge-based skin cancer diagnostics.
• Abstract（参考訳）: 医用画像解析における深層学習の急速な進歩は、皮膚がん分類の精度を大幅に向上させた。 しかし、現在の最先端モデル、特にResNet50のようなトランスファー学習に基づくモデルでは、計算上のオーバーヘッドが大きくなり、リソース制約のある環境でのデプロイには実用的ではない。 本研究では,パラメータの96.7%の削減(ResNet50の23.9百万から692,000まで)を達成しつつ,0.022\%未満の分類精度の偏差を維持したカスタムCNNモデルを提案する。 HAM10000データセットの実証分析により、転送学習モデルは0.022\%の限界精度向上を提供するが、FLOPが13,216.76\%増加し、計算コストと推論遅延が著しく上昇することがわかった。 対照的に、我々の軽量CNNアーキテクチャは、ResNet50の4.00億ドルと比較して、わずか30.04万のFLOPしか含まないため、エネルギー消費、メモリフットプリント、推論時間を大幅に削減する。 これらの結果は、深層モデルの複雑さと実際の実現可能性とのトレードオフを浮き彫りにし、最適化されたCNNをモバイルおよびエッジベースの皮膚がん診断の実用的な解決策として位置づけた。

関連論文リスト

• Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
  MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。 近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。 本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T21:06:42Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Leveraging Knowledge Distillation for Lightweight Skin Cancer Classification: Balancing Accuracy and Computational Efficiency [0.0]
  皮膚がんは公衆衛生にとって大きな関心事であり、報告されているがんの3分の1を占めている。 本稿では,軽量ながら高い性能の分類器を作成するための知識蒸留に基づく手法を提案する。 高精度でコンパクトなサイズを持つため、われわれのモデルは、特に資源制約のある環境では、正確な皮膚がん分類の候補となる可能性がある。
  論文  参考訳（メタデータ） (2024-06-24T18:13:09Z)
• Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
  深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
  論文  参考訳（メタデータ） (2022-08-09T12:24:53Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Multistage Pruning of CNN Based ECG Classifiers for Edge Devices [9.223908421919733]
  畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。 既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。 本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T17:51:15Z)
• 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)
• 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)

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。