論文の概要: Interpretable Image-Level Acne Severity Grading via EfficientNet-B0 Transfer Learning and Grad-CAM
- arxiv url: http://arxiv.org/abs/2607.26461v1
- Date: Wed, 29 Jul 2026 04:28:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.539603
- Title: Interpretable Image-Level Acne Severity Grading via EfficientNet-B0 Transfer Learning and Grad-CAM
- Title（参考訳）: 効率的なNet-B0転送学習とGrad-CAMによる解釈可能な画像レベルAcne Severity Grading
- Abstract要約: 林基準に基づく4級アシネス分類器を開発した。
このモデルは2,983枚のラベル付き画像のACNE04データセットに微調整された。
93.5パーセントの精度と94.4%のマクロF1を達成し、クラスごとのF1スコアは0.92から0.97となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Acne vulgaris affects most adolescents and many adults. Accurate severity grading guides treatment, monitoring, and clinical trial endpoints, but manual assessment using the Investigator's Global Assessment or Hayashi criteria is limited by inter-rater variability and inconsistent imaging conditions. We developed a four-class acne severity classifier based on the Hayashi criteria using transfer learning with an ImageNet-pretrained EfficientNet-B0 model. The model was fine-tuned on the public ACNE04 dataset of 2,983 labeled images using AdamW optimization, geometric and photometric augmentation, and checkpoint selection based on validation macro-F1. On a held-out stratified 15 percent test set, the classifier achieved 93.5 percent accuracy and 94.4 percent macro-F1, with per-class F1 scores from 0.92 to 0.97. Eighty-three percent of errors occurred between adjacent grades. Quadratic-weighted Cohen's kappa was 0.956, with a 95 percent confidence interval of 0.935 to 0.973. Bootstrap confidence intervals indicated stable performance. Grad-CAM visualizations from the final convolutional block focused on clinically relevant facial regions, including the forehead, cheeks, and chin. The complete pipeline is provided as functionally equivalent open-source implementations in Python using PyTorch and timm, and in MATLAB R2026a. The software includes a clinician-facing inference interface and a fallback backbone option that supports operation without specialized pretrained-weight packages. These results show that lightweight transfer learning can provide accurate, balanced, and interpretable acne severity grading while offering a reproducible cross-platform reference for future prospective and device-stratified clinical validation.
- Abstract（参考訳）: アカゲザルは、ほとんどの青年や多くの成人に影響を及ぼす。
正確な重症度評価は治療,モニタリング,臨床治験の終点を導くが,調査官のGlobal Assessment(グローバルアセスメント)や林基準(林基準)を用いた手動評価は,レータ間変動と一貫性のない画像条件によって制限される。
ImageNet-pretrained EfficientNet-B0モデルを用いたトランスファーラーニングを用いて,林基準に基づく4種類のアシネス分類器を開発した。
このモデルは、AdamW最適化、幾何学的および測光的拡張、および検証マクロF1に基づくチェックポイント選択を用いて、2,983のラベル付き画像のパブリックACNE04データセットに微調整された。
階層化された15%のテストセットでは、分類器は93.5パーセントの精度と94.4%のマクロF1を獲得し、クラスごとのF1スコアは0.92から0.97となった。
エラーの83%が隣接する学年間で発生した。
二次重み付きコーエンのカッパは0.956で、95%の信頼区間は0.935から0.973であった。
ブートストラップの信頼区間は安定した性能を示した。
前頭、頬、あごを含む臨床に関係のある顔面領域に焦点を当てた最後の畳み込みブロックからのGrad-CAMの可視化。
完全なパイプラインは、PythonでPyTorchとtimmを使って機能的に等価なオープンソース実装として提供され、MATLAB R2026aで提供される。
このソフトウェアはクリニック対応の推論インタフェースと、特別な事前訓練されたパッケージなしで操作をサポートするフォールバックバックボーンオプションを含んでいる。
これらの結果から, 軽量トランスファー学習は, 再現可能なクロスプラットフォーム参照を提供しつつ, 正確でバランスの取れた, 解釈可能なアシバシシグリーティングを提供することが可能であることが示唆された。
関連論文リスト
- Uncertainty-Aware and Explainable Ensemble Deep Learning Framework for Multi-Class Skin Lesion Classification [1.2031796234206136]
本稿では皮膚病変分類のための不確実性と説明可能な深層学習フレームワークを提案する。
このフレームワークは、深いアンサンブル学習を通じて視覚変換モデル(MaxViT-Tiny)とCNNベースのモデル(ConvNeXt-TinyとEfficientNetV2-B0)を組み合わせる。
このフレームワークは、不確実性を認識したフィルタリングにおいて、96%の精度と99%のROC-AUCを達成する。
論文 参考訳（メタデータ） (2026-08-11T10:55:14Z) - A Leakage-Aware Comparative Benchmark of Machine Learning, Deep Learning, and Transformer Models for Reliable Leukemia Detection [0.0]
末梢血スミア画像からの急性リンパ性白血病(ALL)の自動分類は、C-NMC 2019データセットでほぼ完璧なパフォーマンスを報告されている。
画像レベルのランダムなパーティショニングによる患者レベルのデータ漏洩によって,そのような結果を膨らませることができることを示す。
我々は厳密な主観的解離プロトコルの下で漏洩認識ベンチマークを構築した。
論文 参考訳（メタデータ） (2026-06-23T04:53:49Z) - A Compact and Efficient 1.251 Million Parameter Machine Learning CNN Model PD36-C for Plant Disease Detection: A Case Study [0.0]
深層学習は画像に基づく植物病の診断を著しく進歩させてきた。
本稿では,植物病の分類のための小型畳み込みニューラルネットワークPD36Cを提案する。
PD36 Cは堅牢性とエッジのデプロイ性のために設計されている。
論文 参考訳（メタデータ） (2026-04-13T11:33:24Z) - SegFormer Fine-Tuning with Dropout: Advancing Hair Artifact Removal in Skin Lesion Analysis [0.0]
皮膚内視鏡像の毛細血管は皮膚病変を正確に解析する上で重要な課題である。
この研究は、正確にヘアマスクのセグメンテーションを実現するために、ドロップアウト正規化を付加した微調整のSegFormerモデルを導入する。
論文 参考訳（メタデータ） (2025-09-02T10:06:26Z) - ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
甲状腺FNAB画像分類のための深層学習システムを開発した。
Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。
システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
論文 参考訳（メタデータ） (2025-04-19T02:13:07Z) - CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。
次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。
画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
論文 参考訳（メタデータ） (2025-02-25T13:09:34Z) - Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T06:50:27Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - 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。