Fugu-MT 論文翻訳(概要): Accuracy Is Not Enough: An Efficiency- and Statistics-Aware Benchmark of ResNet50 and Vision Transformer for Explainable Multi-Class Gastrointestinal Diseases Classification

論文の概要: Accuracy Is Not Enough: An Efficiency- and Statistics-Aware Benchmark of ResNet50 and Vision Transformer for Explainable Multi-Class Gastrointestinal Diseases Classification

arxiv url: http://arxiv.org/abs/2610.33965v1
Date: Sun, 25 Oct 2026 00:39:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.494627
Title: Accuracy Is Not Enough: An Efficiency- and Statistics-Aware Benchmark of ResNet50 and Vision Transformer for Explainable Multi-Class Gastrointestinal Diseases Classification
Title（参考訳）: ResNet50とVision Transformerの多型消化管疾患分類における効率と統計のベンチマーク
Abstract要約: パブリックなKvasirデータセット上の8クラスGI分類のためのResNet50とViT-B/16の制御可能なベンチマークを示す。クロスバリデーションでは、ResNet50とViT-B/16は92.12%の精度で91.70%に達し、+/-3パーセンテージのマージンで等価となった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated classification of gastrointestinal (GI) findings in endoscopic images could support early diagnosis, but architectures are often chosen on accuracy alone. We present a controlled, reproducible benchmark of ResNet50 and ViT-B/16 for eight-class GI classification on the public Kvasir dataset (4,000 images), using a stratified split (400 test images) and stratified group 5-fold cross-validation over all images. In cross-validation, ResNet50 and ViT-B/16 reached 92.12% and 91.70% accuracy, and a two one-sided tests (TOST) procedure showed equivalence within a +/-3 percentage-point margin (difference +0.43 points, 90% CI -0.33 to +1.18; p < 0.001). The architectures differed mainly in cost: ResNet50 had 3.6 times fewer parameters and 4.3 times fewer operations, 2.5-fold lower single-image CPU latency (69 vs. 177 ms) and 3.8-fold higher GPU throughput. Cross-validated calibration was similar (expected calibration error 0.021 vs. 0.023). An edge-oriented transformer, MobileViT-S, was most accurate on the test split (95.5%) but lost 9.4 points when an acquisition artefact present in some classes (the ScopeGuide inset) was occluded, whereas ResNet50 was not significantly affected. On 500 unseen polyp images with expert masks, both models' Grad-CAM maps focused on the lesion (3.6 times chance). On a de-duplicated external subset of GastroVision (1,998 images), accuracy fell to 78-80% for all three models and differences between them remained small. Accuracy differences between architectures were thus small relative to the effects of shortcut learning and domain shift, whereas efficiency differences were large. An efficient CNN is a defensible default for resource-constrained screening, but no model is deployment-ready without local validation.
Abstract（参考訳）: 内視鏡画像における消化管内視鏡所見の自動分類は早期診断に有効であるが,精度のみにアーキテクチャが選択されることが多い。我々は,公開Kvasirデータセット(4000画像)上の8クラスGI分類のためのResNet50とViT-B/16の制御可能なベンチマークを,階層分割(400枚のテスト画像)と階層化グループ5倍のクロスバリデーションを用いて提案する。クロスバリデーションではResNet50とViT-B/16は92.12%と91.70%の精度に達し、2つの片側試験(TOST)は+/-3パーセンテージのマージン(差+0.43点、90% CI-0.33 to +1.18; p < 0.001)で同値を示した。 ResNet50はパラメータが3.6倍、操作が4.3倍、シングルイメージCPUのレイテンシが2.5倍(69対177ms)、GPUのスループットが3.8倍であった。クロスバリデーションキャリブレーションは類似している(推定キャリブレーション誤差0.021 vs. 0.023)。エッジ指向トランスフォーマーであるMobileViT-Sはテストスプリット(95.5%)で最も正確であったが、いくつかのクラス(スコープギターのインセット)に存在する買収アーティファクトが無視された場合、9.4ポイントを失った。専門家のマスクを付けた500枚の見えないポリプ画像では、両方のモデルのGrad-CAMマップが病変(3.6倍の確率)に焦点を当てていた。ガストロビジョン (1,998画像) の非重複部分集合では、3つのモデルすべてに対して精度が78-80%に低下し、両者の差は小さかった。アーキテクチャ間の精度の違いは、ショートカット学習とドメインシフトの影響に対して小さいが、効率の違いは大きい。効率的なCNNは、リソース制限されたスクリーニングの既定値であるが、ローカル検証なしでデプロイ可能なモデルはない。

関連論文リスト

Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
論文参考訳（メタデータ） (2026-09-18T11:08:02Z)
Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。我々は解剖学的参照としてFastSurferセグメンテーションを使用します。私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文参考訳（メタデータ） (2026-09-14T17:13:12Z)
Spatial Attention Supervision for Defect Localization: Exploiting Ground-Truth Masks as Training Signal in Diffusion-Augmented Defect Detection [0.0]
産業用データセットの地道欠陥マスクは一般に評価のために予約されている。本稿では,分類ネットワークの訓練中に空間的監視信号として再利用する。
論文参考訳（メタデータ） (2026-09-05T19:20:23Z)
Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文参考訳（メタデータ） (2026-06-11T09:55:57Z)
Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文参考訳（メタデータ） (2026-04-14T18:51:07Z)
Understanding vision transformer robustness through the lens of out-of-distribution detection [59.72757235382676]
量子化はメモリと推論コストを削減し、性能損失のリスクを負う。本稿では, 量子化小型可変ビジョントランス (DeiT, DeiT3, ViT) の共通アウト・オブ・ディストリビューション (OOD) データセットにおける挙動について検討する。
論文参考訳（メタデータ） (2026-02-01T22:00:59Z)
On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments [0.0]
本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
論文参考訳（メタデータ） (2023-12-14T05:11:30Z)
Global Context Vision Transformers [78.5346173956383]
我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
論文参考訳（メタデータ） (2022-06-20T18:42:44Z)
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。