論文の概要: A study on Deep Convolutional Neural Networks, transfer learning, and Mnet model for Cervical Cancer Detection

• arxiv url: http://arxiv.org/abs/2509.16250v1
• Date: Wed, 17 Sep 2025 18:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.699113
• Title: A study on Deep Convolutional Neural Networks, transfer learning, and Mnet model for Cervical Cancer Detection
• Title（参考訳）: 頸部癌検出のための深部畳み込みニューラルネットワーク、転写学習およびMnetモデルに関する研究
• Authors: Saifuddin Sagor, Md Taimur Ahad, Faruk Ahmed, Rokonozzaman Ayon, Sanzida Parvin,
• Abstract要約: State-of-the-art (SOTA) Convolutional Neural Networks (CNN) には、かなりの計算リソース、トレーニング時間の拡張、大規模なデータセットが必要である。 本研究では, 頚部癌の診断・分類にPopスミア画像を用いた軽量CNNモデルであるS-Netを開発した。 S-Netは、計算効率と推論時間の観点から、SOTA CNNを著しく上回っている。
• 参考スコア（独自算出の注目度）: 1.057098647974782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and accurate detection through Pap smear analysis is critical to improving patient outcomes and reducing mortality of Cervical cancer. State-of-the-art (SOTA) Convolutional Neural Networks (CNNs) require substantial computational resources, extended training time, and large datasets. In this study, a lightweight CNN model, S-Net (Simple Net), is developed specifically for cervical cancer detection and classification using Pap smear images to address these limitations. Alongside S-Net, six SOTA CNNs were evaluated using transfer learning, including multi-path (DenseNet201, ResNet152), depth-based (Serasnet152), width-based multi-connection (Xception), depth-wise separable convolutions (MobileNetV2), and spatial exploitation-based (VGG19). All models, including S-Net, achieved comparable accuracy, with S-Net reaching 99.99%. However, S-Net significantly outperforms the SOTA CNNs in terms of computational efficiency and inference time, making it a more practical choice for real-time and resource-constrained applications. A major limitation in CNN-based medical diagnosis remains the lack of transparency in the decision-making process. To address this, Explainable AI (XAI) techniques, such as SHAP, LIME, and Grad-CAM, were employed to visualize and interpret the key image regions influencing model predictions. The novelty of this study lies in the development of a highly accurate yet computationally lightweight model (S-Net) caPable of rapid inference while maintaining interpretability through XAI integration. Furthermore, this work analyzes the behavior of SOTA CNNs, investigates the effects of negative transfer learning on Pap smear images, and examines pixel intensity patterns in correctly and incorrectly classified samples.
• Abstract（参考訳）: Papスミア分析による早期かつ正確な検出は、患者の予後を改善し、頸部がんの死亡率を低下させるために重要である。 State-of-the-art (SOTA) Convolutional Neural Networks (CNN) には、かなりの計算リソース、トレーニング時間の拡張、大規模なデータセットが必要である。 本研究では,S-Net(Simple Net)という軽量CNNモデルを構築し,これらの制約に対処するために,Popスミア画像を用いた頸部がんの検出と分類を行う。 S-Netの他に、マルチパス(DenseNet201, ResNet152)、深さベース(Serasnet152)、幅ベース(Xception)、深度ワイド分離型畳み込み(MobileNetV2)、空間利用ベース(VGG19)を含む6つのSOTA CNNの評価を行った。 S-Netを含む全てのモデルは同等の精度を達成し、S-Netは99.99%に達した。 しかし、S-Netは計算効率と推論時間の点でSOTA CNNよりも優れており、リアルタイムおよびリソース制約のあるアプリケーションにとってより実用的な選択となっている。 CNNベースの診断における大きな制限は、意思決定プロセスにおける透明性の欠如である。 これを解決するために、SHAP、LIME、Grad-CAMといった説明可能なAI(XAI)技術を使用して、モデル予測に影響を与える重要な画像領域を視覚化し、解釈した。 この研究の新規性は、XAI統合による解釈可能性を維持しつつ、高速推論が可能な高精度で計算量的に軽量なモデル(S-Net)キャパブルの開発にある。 さらに,SOTA CNNの挙動を解析し,パップスミア画像に対する負の伝達学習の影響を調べた。

関連論文リスト

• R-Net: A Reliable and Resource-Efficient CNN for Colorectal Cancer Detection with XAI Integration [5.660024061097701]
  最先端(SOTA)畳み込みニューラルネットワーク(CNN)は、その計算能力、長いトレーニング時間、大規模なデータセットについて批判されている。 この制限を克服するために,大腸癌(CRC)を検出・分類するための合理的ネットワーク(R-Net)を提案する。 提案されたR-Netは99.37%の精度を達成し、MobileNet(95.83%)とResNet50(96.94%)を上回った。
  論文  参考訳（メタデータ） (2025-09-17T18:29:44Z)
• A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection [2.5748316361772963]
  本研究は、乳がん検出におけるオリジナルのCNN、転写学習、アンサンブルモデルを含むD-CNNの性能を比較した。 アンサンブルモデルは、乳がんの検出と分類において99.94%の最も高い検出と分類の精度を提供する。 CNNを用いた乳癌の検出と分類の精度は,CNNモデルが乳癌の診断に有効であることを示唆している。
  論文  参考訳（メタデータ） (2024-09-10T17:58:21Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)
• FocusLiteNN: High Efficiency Focus Quality Assessment for Digital Pathology [42.531674974834544]
  本稿では,ハードウェアの過剰な要求を伴わずに,知識駆動方式と同様の高速な計算を行うCNNベースのモデルを提案する。 FocusPathを使って、9つの異なる色の組織スライドを含むトレーニングデータセットを作成します。 CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
  論文  参考訳（メタデータ） (2020-07-11T20:52:01Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。