R-Net：一种集成 XAI 的可靠且资源高效的结直肠癌检测 CNN
组织与器官
2025-09-23 v1 人工智能
计算机视觉与模式识别
摘要
最先进的卷积神经网络（SOTA CNNs）因其庞大的计算能力、漫长的训练时间和大型数据集而受到批评。为了克服这一局限，我们提出了一个合理的网络（R-Net），这是一种轻量级 CNN，仅用于使用肠镜活检组织病理学苏木精和伊红图像数据集（EBHI）检测和分类结直肠癌（CRC）。此外，还在同一数据集上测试了六种 SOTA CNN，包括基于多路径的 CNN（DenseNet121、ResNet50）、基于深度的 CNN（InceptionV3）、基于宽度的多连接 CNN（Xception）、深度可分离卷积（MobileNetV2）、基于空间利用的 CNN（VGG16）、迁移学习以及两个集成模型。集成模型分别是多路径-深度-宽度组合（DenseNet121-InceptionV3-Xception）和多路径-深度-空间组合（ResNet18-InceptionV3-VGG16）。然而，所提出的轻量级 R-Net 达到了 99.37% 的准确率，优于 MobileNet（95.83%）和 ResNet50（96.94%）。最重要的是，为了理解 R-Net 的决策过程，我们集成了可解释 AI 技术，如 SHAP、LIME 和 Grad-CAM，以可视化 EBHI 图像的哪些部分有助于 R-Net 的检测和分类过程。本研究的主要新颖之处在于构建了一个可靠、轻量级的 CNN R-Net，它需要更少的计算资源，同时保持强大的预测结果。SOTA CNN、迁移学习和集成模型也扩展了我们对 CRC 分类和检测的知识。XAI 功能以及像素强度对正确和错误分类图像的影响也是 CRC 检测和分类中的一些新颖之处。
引用
@article{arxiv.2509.16251,
title = {R-Net: A Reliable and Resource-Efficient CNN for Colorectal Cancer Detection with XAI Integration},
author = {Rokonozzaman Ayon and Md Taimur Ahad and Bo Song and Yan Li},
journal= {arXiv preprint arXiv:2509.16251},
year = {2025}
}