Fugu-MT 論文翻訳(概要): DR-LiteNet: A Lightweight Explainable Hybrid CNN Framework for Imbalanced Diabetic Retinopathy Grading via Adaptive SMOTE Fusion

論文の概要: DR-LiteNet: A Lightweight Explainable Hybrid CNN Framework for Imbalanced Diabetic Retinopathy Grading via Adaptive SMOTE Fusion

arxiv url: http://arxiv.org/abs/2611.04405v1
Date: Tue, 03 Nov 2026 06:44:25 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-04 17:57:38.848508
Title: DR-LiteNet: A Lightweight Explainable Hybrid CNN Framework for Imbalanced Diabetic Retinopathy Grading via Adaptive SMOTE Fusion
Title（参考訳）: DR-LiteNet: 適応型SMOTE融合による糖尿病網膜症グラフディングのための軽量説明可能なハイブリッドCNNフレームワーク
Abstract要約: DR-LiteNetは、両方の問題に一度に対処する、二重分岐ハイブリッド畳み込みニューラルネットワークである。 APTOS 2019で5倍のクロスバリデーションでテストされ、DR-LiteNetは88.77% +/- 0.61の精度に達した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Automated diabetic retinopathy (DR) grading from colour fundus photographs is held back by two compounding challenges: severe class imbalance across five severity grades and the heavy computational cost of large scale architectures in resource constrained clinical settings. We introduce DR-LiteNet, a dual branch hybrid convolutional neural network that tackles both problems at once. The CNN branch extracts 1,280 dimensional deep features through EfficientNetB0, while the handcrafted (HC) branch produces a compact 51 dimensional lesion descriptor capturing vessel density, exudate intensity, texture entropy, and HSV colour histograms. Concatenating both branches yields a 1,331-d hybrid embedding, on which Adaptive SMOTE (ADASYN) is applied during training to synthesise minority class feature vectors, correcting distributional skew without touching the image space. A two phase training protocol first warms up the classification head on balanced features, then fine tunes the full network end to end. Grad CAM saliency maps deliver post-hoc clinical explainability. Tested on APTOS 2019 under five fold stratified cross validation, DR-LiteNet reaches 88.77% +/- 0.61 accuracy, a quadratic weighted kappa (QWK) of 0.884 +/- 0.010, and a macro F1 of 0.792 +/- 0.008 with only 4.69 M parameters beating ResNet50 (23.5 M) by DeltaQWK = 0.022 while staying practical on a single Google Colab T4 GPU. The source code of this project is available at: https://github.com/Nishi-Kanta-Paul/DR-LiteNet.
Abstract（参考訳）: 糖尿病性網膜症(DR)は、5つの重度グレードにわたる重度のクラス不均衡と、リソース制約された臨床環境における大規模アーキテクチャーの計算コストの2つの複合的課題によって引き起こされる。 DR-LiteNetは,両問題に同時に対処するハイブリッド畳み込みニューラルネットワークである。 CNNブランチは、EfficientNetB0を介して1,280次元の深い特徴を抽出し、ハンドクラフト(HC)ブランチは、血管密度、露出強度、テクスチャエントロピー、HSV色ヒストグラムをキャプチャするコンパクトな51次元病変記述子を生成する。両枝を連結すると1,331dのハイブリッド埋め込みが得られ、この上にAdaptive SMOTE (ADASYN) を用いて少数クラスの特徴ベクトルを合成し、画像空間に触れることなく分布スキューを補正する。 2フェーズトレーニングプロトコルは、まずバランスの取れた特徴に基づいて分類ヘッドをウォームアップし、次に完全なネットワーク終端を微調整する。グラッドCAMサリエンシマップは、ホック後の臨床的説明性を提供する。 DR-LiteNetは5つの階層化されたクロスバリデーションの下でテストされ、88.77% +/- 0.61の精度、0.884 +/- 0.010の二次重み付きカッパ(QWK)、0.792 +/- 0.008のマクロF1、DeltaQWK = 0.022のResNet50(23.5M)を1つのGoogle Colab T4 GPUで実行しながら4.69Mのパラメータしか持たない。プロジェクトのソースコードは、https://github.com/Nishi-Kanta-Paul/DR-LiteNet.comで公開されている。

関連論文リスト

Learning Functional Subspaces for Neural Network Compression [79.78451551969097]
Learnable Subspace Projections (LSP) は、エンドツーエンドを捨てるためにサブスペースを学習する。 LSPは、小さなバッチサイズで高密度モデルよりも1.6倍高速にデコードする。
論文参考訳（メタデータ） (2026-09-30T16:47:35Z)
QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
QuPIDは、量子パラメータ効率の入力依存型検索適応である。凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
論文参考訳（メタデータ） (2026-09-27T08:22:58Z)
LightVesselNet: An Ultra-Lightweight Sub-100K Parameter Network for Retinal Blood Vessel Segmentation [0.0]
LightVesselNetは、リソース制約のある環境で網膜血管のセグメンテーションのために設計された効率的なニューラルネットワークである。 LightVesselNetは、State-of-the-Artモデルと比較して効率(パフォーマンス対Flops)が改善されている。低リソースな臨床環境とモバイルスクリーニングツールへのデプロイの有力候補である。
論文参考訳（メタデータ） (2026-06-03T18:56:13Z)
GloResNet: A lightweight 3D CNN with global topological features for preterm brain injury prediction [14.249039546660562]
本稿では,ResNet-10をベースとした軽量3次元CNNであるGloResNetを提案する。大域多様体写像戦略はまず、各3次元体積を128x128x128に再サンプリングし、次に主観的にzスコア強度正規化を適用する。 5倍のクロスバリデーションでは、GloResNetは平均精度75.18%(約81.82%)、特異度0.81、感度0.76。
論文参考訳（メタデータ） (2026-06-01T17:04:43Z)
Do Synthetic Brain MRIs Reliably Improve Tumour Classification? A StyleGAN2-ADA Class-Plane Augmentation Study on BRISC 2025 [0.0]
ここでの増補とは、既存の画像の幾何学的・測光的変換ではなく、合成補足を意味する。スタイルGAN2-ADA ジェネレータは制限された BRISC 2025 パーティションでトレーニングされ、InceptionV3 の特徴空間フィルタリングによる出力がホールドアウト腫瘍の分類を改善した。
論文参考訳（メタデータ） (2026-05-21T23:02:14Z)
Balancing Accuracy and Efficiency: CNN Fusion Models for Diabetic Retinopathy Screening [0.1749935196721634]
糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり続けているが、大規模なスクリーニングは、デバイスや個体群間での専門的可用性と画像品質の変動によって制限されている。本研究では, 相補的畳み込みニューラルネットワーク(CNN)バックボーンの機能レベル融合が, グローバルソースの画像に対して, 正確かつ効率的なバイナリDRスクリーニングを実現することができるかどうかを検討する。
論文参考訳（メタデータ） (2025-12-26T04:54:43Z)
NEO: No-Optimization Test-Time Adaptation through Latent Re-Centering [42.35462115256348]
テスト時間適応(TTA)法は、しばしば計算コストが高く、効果的な適応のために大量のデータを必要とする。我々は,バニラ推定に比較して有意な計算を加えない完全TTA手法NEOを開発した。 Raspberry PiとJetson Orin Nanoデバイスでは、NEOはベースラインと比較して推論時間を63%削減し、メモリ使用量を9%削減する。
論文参考訳（メタデータ） (2025-10-07T07:35:55Z)
Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
論文参考訳（メタデータ） (2025-01-09T10:22:35Z)
UniFormer: Unifying Convolution and Self-attention for Visual Recognition [69.68907941116127]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、ここ数年で主要なフレームワークである。コンボリューションと自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。我々のUniFormerはImageNet-1K分類において86.3トップ1の精度を実現している。
論文参考訳（メタデータ） (2022-01-24T04:39:39Z)
PENNI: Pruned Kernel Sharing for Efficient CNN Inference [41.050335599000036]
最先端(SOTA)CNNは、様々なタスクにおいて優れたパフォーマンスを達成する。その高い計算要求と膨大な数のパラメータにより、リソース制約のあるデバイスにこれらのSOTA CNNをデプロイすることは困難である。本稿では,CNNモデル圧縮フレームワークであるPENNIを提案する。
論文参考訳（メタデータ） (2020-05-14T16:57:41Z)

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。