論文の概要: PolypSeg-GradCAM: Towards Explainable Computer-Aided Gastrointestinal Disease Detection Using U-Net Based Segmentation and Grad-CAM Visualization on the Kvasir Dataset

• arxiv url: http://arxiv.org/abs/2509.18159v2
• Date: Wed, 24 Sep 2025 13:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 14:09:11.247484
• Title: PolypSeg-GradCAM: Towards Explainable Computer-Aided Gastrointestinal Disease Detection Using U-Net Based Segmentation and Grad-CAM Visualization on the Kvasir Dataset
• Title（参考訳）: PolypSeg-GradCAM: Kvasir データセット上での U-Net Based Segmentation と Grad-CAM の可視化による説明可能な消化器疾患検出に向けて
• Authors: Akwasi Asare, Ulas Bagci,
• Abstract要約: 大腸癌(CRC)は、世界中のがん関連死亡率と死亡率の主要な原因の1つである。 深層学習法は自動ポリープ解析の強力な可能性を示しているが、その限定的な解釈性は臨床応用の障壁である。 本稿では,U-NetアーキテクチャとGradient-weighted Class Activation Mapping (Grad-CAM)を統合し,透過的なPolypセグメンテーションを実現するフレームワークであるPolypSeg-GradCAMを提案する。
• 参考スコア（独自算出の注目度）: 7.02937797539818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer (CRC) remains one of the leading causes of cancer-related morbidity and mortality worldwide, with gastrointestinal (GI) polyps serving as critical precursors according to the World Health Organization (WHO). Early and accurate segmentation of polyps during colonoscopy is essential for reducing CRC progression, yet manual delineation is labor-intensive and prone to observer variability. Deep learning methods have demonstrated strong potential for automated polyp analysis, but their limited interpretability remains a barrier to clinical adoption. In this study, we present PolypSeg-GradCAM, an explainable deep learning framework that integrates the U-Net architecture with Gradient-weighted Class Activation Mapping (Grad-CAM) for transparent polyp segmentation. The model was trained and evaluated on the Kvasir-SEG dataset of 1000 annotated endoscopic images. Experimental results demonstrate robust segmentation performance, achieving a mean Intersection over Union (IoU) of 0.9257 on the test set and consistently high Dice coefficients (F-score > 0.96) on training and validation sets. Grad-CAM visualizations further confirmed that predictions were guided by clinically relevant regions, enhancing transparency and trust in the model's decisions. By coupling high segmentation accuracy with interpretability, PolypSeg-GradCAM represents a step toward reliable, trustworthy AI-assisted colonoscopy and improved early colorectal cancer prevention.
• Abstract（参考訳）: 世界保健機関(WHO)によると、大腸癌(CRC)はがん関連死亡率と死亡率の主要な原因の1つであり、消化管ポリープは重要な前駆体として機能している。 大腸内視鏡検査におけるポリープの早期かつ正確な分節化はCRCの進行を減少させるのに不可欠であるが,手動による分節化は労働集約的であり,観察者の多様性を損なう。 深層学習法は自動ポリープ解析の強力な可能性を示しているが、その限定的な解釈性は臨床応用の障壁である。 本研究では,LylypSeg-GradCAMを提案する。これは,U-NetアーキテクチャとGradient-weighted Class Activation Mapping (Grad-CAM)を統合し,透過的なPolypセグメンテーションを実現するための,説明可能なディープラーニングフレームワークである。 このモデルは1000個の注釈付き内視鏡画像のKvasir-SEGデータセットを用いて訓練および評価を行った。 実験結果から,テストセット上での平均IoU(Intersection over Union)が0.9257であり,トレーニングおよび検証セット上でのDice係数(F-score > 0.96)が一貫して高いことがわかった。 Grad-CAMの視覚化により、予測は臨床的に関連のある領域によって導かれ、モデルの決定に対する透明性と信頼を高めることが確認された。 高いセグメンテーション精度と解釈可能性を組み合わせることで、PolypSeg-GradCAMは信頼できる、信頼できるAI支援大腸内視鏡へのステップを示し、早期大腸癌予防の改善を図っている。

関連論文リスト

• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• HGNet: High-Order Spatial Awareness Hypergraph and Multi-Scale Context Attention Network for Colorectal Polyp Detection [8.385970320948024]
  HGNetは高次空間認識ハイパーグラフとマルチスケールコンテキストアテンションを統合している。 HGNetは94%の精度、90.6%のリコール、90%のmAP@0.5を達成し、小さな病変の分化と臨床的解釈性を著しく改善した。
  論文  参考訳（メタデータ） (2025-07-07T11:09:05Z)
• Robust Polyp Detection and Diagnosis through Compositional Prompt-Guided Diffusion Models [32.17651741681871]
  合成ポリプ画像を生成するためのプログレッシブスペクトル拡散モデル(PSDM)を提案する。 PSDMは、セグメンテーションマスク、バウンディングボックス、大腸内視鏡検査などの様々な臨床アノテーションを統合し、それらを合成プロンプトに変換する。 トレーニングデータをPSDM生成サンプルで強化することにより,ポリプの検出,分類,セグメンテーションを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-25T08:22:45Z)
• Improving Colorectal Cancer Screening and Risk Assessment through Predictive Modeling on Medical Images and Records [2.675031613330622]
  大腸内視鏡検査による大腸癌進展前のポリープの同定 現在のフォローアップガイドラインは、主に他の重要なリスク要因を見渡す機能に依存しています。 組織像解析にトランスフォーマーを用いたモデルを適用し,5年間のCRCリスクを予測した。
  論文  参考訳（メタデータ） (2024-10-13T15:39:53Z)
• Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
  我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。 その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T16:13:27Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
  大腸ポリープの発達は、がんの最も初期の兆候の1つである。 ポリープの早期検出と切除は生存率を90%に大きく向上させる。 大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
  論文  参考訳（メタデータ） (2021-10-17T09:31:20Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。