論文の概要: Automated binary classification of hazelnut X-ray images: A deep-learning benchmark for quality assessment

• arxiv url: http://arxiv.org/abs/2608.11759v1
• Date: Wed, 12 Aug 2026 07:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.494372
• Title: Automated binary classification of hazelnut X-ray images: A deep-learning benchmark for quality assessment
• Title（参考訳）: ハゼルナッツX線画像の自動二分分類:品質評価のためのディープラーニングベンチマーク
• Abstract要約: 非破壊的なX線撮影では、外部検査だけでは検出が難しい内部のハゼルナッツの欠陥が明らかになる。 799セグメントのシングルカーネルX線画像に基づくバイナリ・ヘーゼルナットの品質分類のベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 33.72751145910978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-destructive X-ray imaging can reveal internal hazelnut defects that are difficult to detect by external inspection alone; however, automated interpretation remains challenging because of subtle radiographic differences among classes, marked class imbalance, and limited annotated data. Here, we present a benchmark for binary hazelnut quality classification (healthy versus defective) based on 799 segmented single-kernel X-ray images (224 x 224 pixels, grayscale), grouped into 101 acquisition units. Seven single-model configurations and ten probability-aggregation ensembles were evaluated using a group-wise split-rotation protocol across five data splits generated using different random seeds. Decision thresholds were selected on the validation set, and performance was assessed deterministically on validation and test sets. Under the expert-reassessed annotation condition, the average-probability ensemble of the binary cross-entropy-trained convolutional neural network and frozen Swin Transformer achieved the highest mean balanced accuracy (86.3% +/- 1.8%, five seeds), with several other ensembles providing comparable performance. Across methods, substantial split-to-split variability was observed, indicating that multi-split evaluation is essential for reliable model comparison at this dataset scale. Expert reassessment of ambiguous samples improved the performance of all 17 evaluated methods by 2.8-8.1 percentage points, while having only a limited effect on cross-split variance. The results highlight both the potential of deep learning for automated X-ray-based hazelnut quality assessment and the importance of rigorous evaluation and label curation in small, imbalanced agricultural imaging datasets.
• Abstract（参考訳）: 非破壊的なX線撮影では外部検査だけでは検出が難しい内部のハゼルナッツ欠陥が明らかになるが、クラス間の微妙なX線学的差異、顕著なクラス不均衡、限られた注釈付きデータにより、自動解釈は依然として困難である。 そこで本研究では、799個のセグメント化されたシングルカーネルX線画像(224×224ピクセル,グレースケール)を101個の取得ユニットに分類したバイナリ・ヘーゼルナットの品質分類(健康対欠陥)のベンチマークを示す。 7つの単一モデル構成と10個の確率アグリゲーションアンサンブルを、異なるランダムシードを用いて生成された5つのデータ分割からなるグループワイド分割ローテーションプロトコルを用いて評価した。 検証セットで決定しきい値が選択され、検証セットとテストセットで性能が決定的に評価された。 専門家が評価したアノテーション条件の下では、バイナリクロスエントロピー訓練された畳み込みニューラルネットワークと凍結したスウィントランスフォーマーの平均確率アンサンブルは、最も平均バランスの取れた精度(86.3% +/- 1.8%, 5シード)を達成し、他のいくつかのアンサンブルは同等のパフォーマンスを提供している。 提案手法は,本データセットの信頼性モデル比較において,複数分割評価が不可欠であることが示唆された。 不明瞭な試料の専門家による再評価により、17の試験方法すべてのパフォーマンスは2.8～8.1ポイント向上した。 その結果,X線によるハゼルナッツ自動品質評価における深層学習の可能性と,小規模で不均衡な農業画像データセットにおける厳密な評価とラベルのキュレーションの重要性が明らかになった。

関連論文リスト

• Text-Guided Diffusion-Based Adversarial Attacks on Chest X-Ray Images [1.167393095135318]
  本稿では,拡散生成器とターゲット分類器を凍結したまま,学習可能なテキスト条件付けを最適化するテキスト誘導拡散ベース対向フレームワークを提案する。 AUROCはバイナリ分類では0.3885-0.5646、マルチディスリーズ設定では0.4441-0.4878に低下した。 これらの結果は、人間と機械の解釈に臨床的に重要な相違があることを示し、従来のピクセル空間攻撃を超えて、医療AIの堅牢性評価を拡張する必要性を示している。
  論文  参考訳（メタデータ） (2026-08-29T22:19:04Z)
• EMFE: A lightweight, explainable machine learning framework for malaria cell classification [0.7437884690206271]
  染色血液スミア顕微鏡によるマラリアの診断は、深層畳み込み神経ネットワークに支配されている。 単発赤血細胞像を寄生・無感染と分類するための5機能フレームワークEMFEを提案する。
  論文  参考訳（メタデータ） (2026-08-25T16:38:04Z)
• Multimodal Skin Lesion Classification with Swin Transformer and Clinical Metadata Fusion [0.0]
  本稿では,Swin Transformerをベースとした画像特徴と構造化された臨床メタデータを組み合わせて診断性能を向上させるマルチモーダル分類フレームワークを提案する。 提案したモデルでは、テスト精度92.55%、マクロF1スコア91.33%を達成し、マイノリティクラスで高い性能を実現している。
  論文  参考訳（メタデータ） (2026-08-04T15:16:41Z)
• An automated method of identifying incorrectly labelled images based on the sequences of loss functions of deep learning networks [17.829950558862947]
  手動でラベル付けされた医療画像の最大10%は誤りであり、モデル性能を劣化させる可能性がある。 本稿では,損失関数のシーケンスを解析することにより,誤ったラベル付けされた医療画像を自動的に識別する手法を提案する。 識別された画像は専門家によってレビューされ、再評価され、データセットの品質とモデルパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2026-07-01T08:19:38Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Systematic Evaluation of Attribution Methods: Eliminating Threshold Bias and Revealing Method-Dependent Performance Patterns [0.0]
  現在のプロトコルでは、属性マップを単一のしきい値でバイナライズしており、しきい値の選択だけでランキングを200ポイント以上変更することができる。 AUC-IoU (Area Under the Curve for Intersection over Union) を演算するしきい値のないフレームワークでこの問題に対処する。 XRAIは、LIMEよりも31%、バニラ統合グラディエントより204%改善し、サイズ階層化分析により、病変スケールで最大269%のパフォーマンス変化を示した。
  論文  参考訳（メタデータ） (2025-09-03T09:50:31Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。