論文の概要: A Lightweight Attention-Based CNN with Saliency-Map Interpretability for Skin Cancer Detection

• arxiv url: http://arxiv.org/abs/2610.37314v1
• Date: Tue, 27 Oct 2026 14:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.657589
• Title: A Lightweight Attention-Based CNN with Saliency-Map Interpretability for Skin Cancer Detection
• Title（参考訳）: 皮膚癌検出のためのサリエンシマップ解釈機能を有する軽量注意ベースCNN
• Abstract要約: 皮膚がんは世界中で最も普及し、生命を脅かすがんの1つである。 本研究では,軽視に基づく畳み込みニューラルネットワーク(CNN-Attention)を用いた皮膚病変の自動二分分類のための説明可能なAI駆動型フレームワークを提案する。 このモデルでは,低計算量を維持しながら,画像の情報領域に注目するチャネルアテンションを統合している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin cancer is among the most prevalent and life threatening forms of cancer worldwide. Early and accurate diagnosis significantly improves patient survival rates. However, manual dermoscopic assessment remains challenging due to visual similarity. This study proposes an Explainable AI-driven framework for automated binary classification of skin lesions using a lightweight attention-based convolutional neural network (CNN-Attention). The model integrates channel attention to focus on informative regions of dermoscopic images while maintaining low computational complexity. A publicly available dataset comprising 2,637 training and 660 test images was used, with balanced class weights. The proposed model achieved 87 percent accuracy with 1.95 million parameters and 7.45 MB of storage, matching the best baseline (MobileNet) while using approximately half as many parameters and half as much storage. ROC AUC and PR AUC scores reached 0.9475 and 0.9430, respectively. Additionally, saliency maps were incorporated as an explainability technique to visualize regions that influence model decisions. Comparative analysis with VGG16,VGG19,ResNet101,and MobileNet demonstrates the proposed models effectiveness in balancing classification results, computational efficiency, and interpretability.
• Abstract（参考訳）: 皮膚がんは世界中で最も普及し、生命を脅かすがんの1つである。 早期かつ正確な診断は、患者の生存率を大幅に向上させる。 しかし、視覚的類似性のため、手動皮膚内視鏡検査は依然として困難である。 本研究では,軽視に基づく畳み込みニューラルネットワーク(CNN-Attention)を用いた皮膚病変の自動二分分類のための説明可能なAI駆動型フレームワークを提案する。 このモデルでは,低計算量を維持しながら,画像の情報領域に注目するチャネルアテンションを統合している。 2,637のトレーニングと660のテスト画像からなる公開データセットが、バランスの取れたクラス重量で使用された。 提案したモデルは87%の精度で1.95万のパラメータと7.45MBのストレージを達成し、最高のベースライン(MobileNet)と一致し、約半分のパラメータと半分のストレージを使用した。 ROC AUCとPR AUCのスコアはそれぞれ0.9475と0.9430に達した。 さらに、モデル決定に影響を与える領域を可視化する説明可能性手法として、サリエンシマップが組み込まれた。 VGG16,VGG19,ResNet101,MobileNetとの比較分析により,分類結果,計算効率,解釈可能性のバランスをとる上で,提案したモデルの有効性が示された。

関連論文リスト

• A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
  本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。 ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-01-21T23:48:59Z)
• Explainable Deep Learning for Pediatric Pneumonia Detection in Chest X-Ray Images [0.0]
  肺炎は世界中で小児の致死率と死亡率の主要な原因となっている。 本研究は,小児肺炎の自動検出のための2つの最先端畳み込みニューラルネットワーク(CNN)アーキテクチャを比較した。
  論文  参考訳（メタデータ） (2026-01-14T19:21:32Z)
• A Deep Learning Approach for Automated Skin Lesion Diagnosis with Explainable AI [0.0]
  皮膚がんは世界で最も一般的で危険ながんの1つである。 本稿では,HAM10000データセットを用いたマルチクラス皮膚病変分類のディープラーニングアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2026-01-02T19:21:59Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Acute Lymphoblastic Leukemia Detection from Microscopic Images Using Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
  本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。 ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。 提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
  論文  参考訳（メタデータ） (2021-05-09T18:58:48Z)
• MARL: Multimodal Attentional Representation Learning for Disease Prediction [0.0]
  既存の学習モデルは、しばしばCTスキャン画像を利用して肺疾患を予測する。 これらのモデルは、肺のセグメンテーションと視覚特徴学習に影響を与える高い不確実性によって構成される。 MARL(Multimodal Attentional Representation Learning Model Architecture)を紹介する。
  論文  参考訳（メタデータ） (2021-05-01T17:47:40Z)

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。