Fugu-MT 論文翻訳(概要): Out-of-Distribution Detection for Skin Lesion Images with Deep Isolation Forest

論文の概要: Out-of-Distribution Detection for Skin Lesion Images with Deep Isolation Forest

arxiv url: http://arxiv.org/abs/2003.09365v1
Date: Fri, 20 Mar 2020 16:39:50 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 22:42:32.462360
Title: Out-of-Distribution Detection for Skin Lesion Images with Deep Isolation Forest
Title（参考訳）: 深層森林における皮膚病変画像の分布外検出
Authors: Xuan Li, Yuchen Lu, Christian Desrosiers, Xue Liu
Abstract要約: 我々は、深層畳み込みネットワークと組み合わせた非パラメトリックな孤立林に基づくアプローチであるDeepIFを提案する。我々は、DeepIFを3つのベースラインモデルと比較するための総合的な実験を行う。
参考スコア（独自算出の注目度）: 23.57764189950383
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study the problem of out-of-distribution detection in skin disease images. Publicly available medical datasets normally have a limited number of lesion classes (e.g. HAM10000 has 8 lesion classes). However, there exists a few thousands of clinically identified diseases. Hence, it is important if lesions not in the training data can be differentiated. Toward this goal, we propose DeepIF, a non-parametric Isolation Forest based approach combined with deep convolutional networks. We conduct comprehensive experiments to compare our DeepIF with three baseline models. Results demonstrate state-of-the-art performance of our proposed approach on the task of detecting abnormal skin lesions.
Abstract（参考訳）: 本稿では,皮膚疾患画像における分布外検出の問題点について検討する。一般に利用可能な医療データセットは通常、限られた数の病変クラス(例:HAM10000は8つの病変クラス)を持つ。しかし、臨床的に特定された病気は数千ある。したがって、訓練データにない病変を区別することが重要である。本研究の目的は,非パラメトリック森林と深層畳み込みネットワークを組み合わせたDeepIFを提案することである。我々は、DeepIFを3つのベースラインモデルと比較するための包括的な実験を行う。以上の結果から, 皮膚異常病変検出作業における提案手法の有効性が示された。

関連論文リスト

An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
論文参考訳（メタデータ） (2025-01-15T17:18:46Z)
An Attention-Guided Deep Learning Approach for Classifying 39 Skin Lesion Types [0.9467360130705921]
本研究は,39種類の皮膚病変からなる包括的および多種多様なデータセットをキュレートすることにより,分野を前進させる。 MobileNetV2、Xception、InceptionV3、EfficientNetB1、Vision Transformerの5つの最先端ディープラーニングモデルが厳格に評価されている。 CBAMと統合されたビジョントランスフォーマーモデルは、93.46%の精度、94%の精度、93%のリコール、93%のF1スコア、93.67%の特異性を達成した。
論文参考訳（メタデータ） (2025-01-10T14:25:01Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
論文参考訳（メタデータ） (2023-11-16T06:58:46Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Redesigning Out-of-Distribution Detection on 3D Medical Images [0.5207048071888255]
我々は,ボリューム医療画像とそれに関連する下流タスクの具体例に基づいて,OOD検出問題を再検討した。本稿では,下流モデルの性能を画像間の擬似指標として用いて異常サンプルを定義する。我々はこの重み付けを期待パフォーマンスドロップ(EPD)と呼ばれる新しい指標に組み込む。
論文参考訳（メタデータ） (2023-08-07T10:28:31Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文参考訳（メタデータ） (2021-04-02T20:52:05Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
Universal Lesion Detection by Learning from Multiple Heterogeneously Labeled Datasets [23.471903581482668]
我々は,全データセットを用いてマルチヘッドマルチタスク病変検出法を学習し,DeepLesionの病変提案を生成する。単一型病変検出装置からの知識伝達により,疑わしいが無意味な病変が発見された。本手法は, 平均感度の測定値において, 現在の最先端手法よりも29%優れていた。
論文参考訳（メタデータ） (2020-05-28T02:56:00Z)
Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文参考訳（メタデータ） (2020-04-21T00:57:11Z)

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。