論文の概要: R-Net: A Reliable and Resource-Efficient CNN for Colorectal Cancer Detection with XAI Integration

• arxiv url: http://arxiv.org/abs/2509.16251v1
• Date: Wed, 17 Sep 2025 18:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.700427
• Title: R-Net: A Reliable and Resource-Efficient CNN for Colorectal Cancer Detection with XAI Integration
• Title（参考訳）: R-Net: XAI統合による大腸癌検出のための信頼性と資源効率のよいCNN
• Authors: Rokonozzaman Ayon, Md Taimur Ahad, Bo Song, Yan Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.660024061097701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art (SOTA) Convolutional Neural Networks (CNNs) are criticized for their extensive computational power, long training times, and large datasets. To overcome this limitation, we propose a reasonable network (R-Net), a lightweight CNN only to detect and classify colorectal cancer (CRC) using the Enteroscope Biopsy Histopathological Hematoxylin and Eosin Image Dataset (EBHI). Furthermore, six SOTA CNNs, including Multipath-based CNNs (DenseNet121, ResNet50), Depth-based CNNs (InceptionV3), width-based multi-connection CNNs (Xception), depth-wise separable convolutions (MobileNetV2), spatial exploitation-based CNNs (VGG16), Transfer learning, and two ensemble models are also tested on the same dataset. The ensemble models are a multipath-depth-width combination (DenseNet121-InceptionV3-Xception) and a multipath-depth-spatial combination (ResNet18-InceptionV3-VGG16). However, the proposed R-Net lightweight achieved 99.37% accuracy, outperforming MobileNet (95.83%) and ResNet50 (96.94%). Most importantly, to understand the decision-making of R-Net, Explainable AI such as SHAP, LIME, and Grad-CAM are integrated to visualize which parts of the EBHI image contribute to the detection and classification process of R-Net. The main novelty of this research lies in building a reliable, lightweight CNN R-Net that requires fewer computing resources yet maintains strong prediction results. SOTA CNNs, transfer learning, and ensemble models also extend our knowledge on CRC classification and detection. XAI functionality and the impact of pixel intensity on correct and incorrect classification images are also some novelties in CRC detection and classification.
• Abstract（参考訳）: 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,内視鏡生検組織学的ヘマトキシリンとエオシン画像データセット(EBHI)を用いて大腸癌(CRC)を検出・分類する軽量CNNのネットワーク(R-Net)を提案する。 さらに、MultipathベースのCNN(DenseNet121,ResNet50)、DepthベースのCNN(InceptionV3)、幅ベースのCNN(Xception)、深度的に分離可能なコンボリューション(MobileNetV2)、空間的エクスプロレーションベースのCNN(VGG16)、トランスファーラーニング(Transfer Learning)、および2つのアンサンブルモデルを含む6つのSOTA CNNを同じデータセット上でテストする。 アンサンブルモデルはマルチパス-奥行き結合(DenseNet121-InceptionV3-Xception)とマルチパス-奥行き結合(ResNet18-InceptionV3-VGG16)である。 しかし、提案されたR-Netライトウェイトは99.37%の精度を達成し、MobileNet(95.83%)とResNet50(96.94%)を上回った。 最も重要なことは、R-Netの意思決定を理解するために、SHAP、LIME、Grad-CAMなどの説明可能なAIを統合し、EBHI画像のどの部分がR-Netの検出と分類に寄与しているかを可視化することである。 この研究の主な新規性は、信頼性が高く軽量なCNN R-Netの構築である。 SOTA CNN、転送学習、アンサンブルモデルもまた、CRCの分類と検出に関する知識を拡張しています。 XAI機能と画素強度が正誤分類画像に与える影響も、CRCの検出と分類において新しい点である。

関連論文リスト

• A study on Deep Convolutional Neural Networks, transfer learning, and Mnet model for Cervical Cancer Detection [1.057098647974782]
  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。
  論文  参考訳（メタデータ） (2025-09-17T18:11:09Z)
• An Efficient Evolutionary Deep Learning Framework Based on Multi-source Transfer Learning to Evolve Deep Convolutional Neural Networks [8.40112153818812]
  畳み込みニューラルネットワーク(CNN)は、より複雑なトポロジを導入し、より深くより広いCNNへのキャパシティを拡大することで、長年にわたって、より優れたパフォーマンスを実現してきた。 計算コストは依然としてCNNを自動設計するボトルネックである。 本稿では, CNNを効率的に進化させるために, トランスファーラーニングにヒントを得て, 新たな進化的計算ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-07T20:22:58Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
  畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。 本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:20:52Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
  畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。 この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。 我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
  論文  参考訳（メタデータ） (2020-12-20T23:24:31Z)
• Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study [3.072491397378425]
  本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。 これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
  論文  参考訳（メタデータ） (2020-09-21T09:58:57Z)
• Improved Residual Networks for Image and Video Recognition [98.10703825716142]
  ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。 ベースライン上での精度と学習収束性を一貫した改善を示す。 提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
  論文  参考訳（メタデータ） (2020-04-10T11:09:50Z)
• Inferring Convolutional Neural Networks' accuracies from their architectural characterizations [0.0]
  CNNのアーキテクチャと性能の関係について検討する。 本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。 我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
  論文  参考訳（メタデータ） (2020-01-07T16:41:58Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。