Fugu-MT 論文翻訳(概要): An empirical study for the early detection of Mpox from skin lesion images using pretrained CNN models leveraging XAI technique

論文の概要: An empirical study for the early detection of Mpox from skin lesion images using pretrained CNN models leveraging XAI technique

arxiv url: http://arxiv.org/abs/2507.15915v1
Date: Mon, 21 Jul 2025 17:30:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.8153
Title: An empirical study for the early detection of Mpox from skin lesion images using pretrained CNN models leveraging XAI technique
Title（参考訳）: XAIを用いた前訓練CNNモデルを用いた皮膚病変画像からのMpoxの早期検出に関する実証的研究
Authors: Mohammad Asifur Rahim, Muhammad Nazmul Arefin, Md. Mizanur Rahman, Md Ali Hossain, Ahmed Moustafa,
Abstract要約: Mpox(ムポックス)は、Mpoxウイルスによって引き起こされる動物性疾患で、他の皮膚疾患と類似点がある。本研究の目的は,サルポックスの早期検出における事前学習CNNモデルの有効性を評価することである。また、Grad-CAMとXAI技術を使ってモデルの解釈可能性を向上させることを目指している。
参考スコア（独自算出の注目度）: 0.471858286267785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Context: Mpox is a zoonotic disease caused by the Mpox virus, which shares similarities with other skin conditions, making accurate early diagnosis challenging. Artificial intelligence (AI), especially Deep Learning (DL), has a strong tool for medical image analysis; however, pre-trained models like CNNs and XAI techniques for mpox detection is underexplored. Objective: This study aims to evaluate the effectiveness of pre-trained CNN models (VGG16, VGG19, InceptionV3, MobileNetV2) for the early detection of monkeypox using binary and multi-class datasets. It also seeks to enhance model interpretability using Grad-CAM an XAI technique. Method: Two datasets, MSLD and MSLD v2.0, were used for training and validation. Transfer learning techniques were applied to fine-tune pre-trained CNN models by freezing initial layers and adding custom layers for adapting the final features for mpox detection task and avoid overfitting. Models performance were evaluated using metrics such as accuracy, precision, recall, F1-score and ROC. Grad-CAM was utilized for visualizing critical features. Results: InceptionV3 demonstrated the best performance on the binary dataset with an accuracy of 95%, while MobileNetV2 outperformed on the multi-class dataset with an accuracy of 93%. Grad-CAM successfully highlighted key image regions. Despite high accuracy, some models showed overfitting tendencies, as videnced by discrepancies between training and validation losses. Conclusion: This study underscores the potential of pre-trained CNN models in monkeypox detection and the value of XAI techniques. Future work should address dataset limitations, incorporate multimodal data, and explore additional interpretability techniques to improve diagnostic reliability and model transparency
Abstract（参考訳）: コンテキスト:MpoxはMpoxウイルスによって引き起こされる動物性疾患であり、他の皮膚疾患と類似性があり、正確な早期診断が困難である。人工知能(AI)、特に深層学習(DL)は、医用画像解析の強力なツールであるが、CNNやXAIといった、mpox検出のための事前訓練されたモデルはまだ探索されていない。目的: 本研究の目的は, サルポックスの早期検出における事前学習型CNNモデル(VGG16, VGG19, InceptionV3, MobileNetV2)の有効性を評価することである。また、Grad-CAMとXAI技術を使ってモデルの解釈可能性を向上させることを目指している。方法:MSLDとMSLD v2.0という2つのデータセットがトレーニングと検証に使用された。トランスファーラーニング技術は、初期層を凍結し、mpox検出タスクの最終機能にカスタム層を追加し、オーバーフィッティングを避けることで、微調整済みのCNNモデルに適用された。モデルの性能は,精度,精度,リコール,F1スコア,ROCなどの指標を用いて評価した。 Grad-CAMは重要な特徴の可視化に使用された。結果: InceptionV3は95%の精度でバイナリデータセット上で最高のパフォーマンスを示し、MobileNetV2は93%の精度でマルチクラスデータセットで最高のパフォーマンスを示した。 Grad-CAMはキーイメージ領域の強調に成功している。精度が高いにもかかわらず、トレーニングとバリデーションの損失の相違により、いくつかのモデルは過度に適合する傾向を示した。結論: 本研究はサルポックス検出における事前学習CNNモデルの可能性とXAI手法の意義を裏付けるものである。今後の作業は、データセットの制限に対処し、マルチモーダルデータを導入し、診断信頼性とモデルの透明性を改善するための追加の解釈可能性技術を探るべきである。

関連論文リスト

Explainable AI-Driven Detection of Human Monkeypox Using Deep Learning and Vision Transformers: A Comprehensive Analysis [0.20482269513546453]
mpoxは動物園で流行するウイルス病で、公衆衛生に重大な影響を及ぼす。症状が麻疹や鶏痘の症状とどのように一致しているかから,早期臨床診断は困難である。深層学習(DL)技術と併用した医用画像は, 皮膚領域を解析することにより, 疾患検出の改善を約束している。本研究は,皮膚病変画像データセットを用いて,深層学習と視覚トランスフォーマーに基づくモデルをスクラッチからトレーニングする可能性について検討した。
論文参考訳（メタデータ） (2025-04-03T19:45:22Z)
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)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Video and Synthetic MRI Pre-training of 3D Vision Architectures for Neuroimage Analysis [3.208731414009847]
トランスファーラーニングは、特定のタスクに適応するために、大規模なデータコーパスでディープラーニングモデルを事前訓練することを含む。視覚変換器 (ViTs) と畳み込みニューラルネットワーク (CNNs) のベンチマークを行った。得られた事前訓練されたモデルは、ターゲットタスクのトレーニングデータが制限されている場合でも、さまざまな下流タスクに適応することができる。
論文参考訳（メタデータ） (2023-09-09T00:33:23Z)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
論文参考訳（メタデータ） (2022-03-23T17:59:45Z)
DeFungi: Direct Mycological Examination of Microscopic Fungi Images [0.0]
本稿では,2つの異なる深層学習手法と3つの畳み込みニューラルネットワークモデルを用いて,5種類の菌類を分類した実験結果を提案する。スクラッチから訓練された最高の性能モデルはインセプションV3であり、精度は73.2%だった。構築されたデータセットは、将来の研究を促進するために、KaggleとGitHubで公開されている。
論文参考訳（メタデータ） (2021-09-15T14:25:28Z)
Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-03-22T06:04:45Z)
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)
A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文参考訳（メタデータ） (2020-11-02T18:16:17Z)

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。