Deep-learning models in medical image analysis: Detection of esophagitis from the Kvasir Dataset

要約

食道炎は放置すると癌に進行する可能性があるため、早期発見が重要です。しかし、食道炎の検出におけるさまざまな深層学習モデルの精度はまだ比較されていません。そこで、本研究では、内視鏡画像のオープンなKvasirデータセットから食道炎を検出する際の畳み込みニューラルネットワークモデル（GoogLeNet、ResNet-50、MobileNet V2、MobileNet V3）の精度を比較することを目的としました。その結果、各モデルの中でGoogLeNetが最も高いF1スコアを達成した。また、真陽性率の平均値から、MobileNet V3は他のモデルに比べてより確実に食道炎を予測した。また，SHapley Additive exPlanationsやGradient-weighted Class Activation Mappingを用いた結果と，これらのモデルを用いて得られた結果を比較した．

要約(オリジナル)

Early detection of esophagitis is important because this condition can progress to cancer if left untreated. However, the accuracies of different deep learning models in detecting esophagitis have yet to be compared. Thus, this study aimed to compare the accuracies of convolutional neural network models (GoogLeNet, ResNet-50, MobileNet V2, and MobileNet V3) in detecting esophagitis from the open Kvasir dataset of endoscopic images. Results showed that among the models, GoogLeNet achieved the highest F1-scores. Based on the average of true positive rate, MobileNet V3 predicted esophagitis more confidently than the other models. The results obtained using the models were also compared with those obtained using SHapley Additive exPlanations and Gradient-weighted Class Activation Mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL