論文の概要: Detector-SegMentor Network for Skin Lesion Localization and Segmentation
- arxiv url: http://arxiv.org/abs/2005.06550v1
- Date: Wed, 13 May 2020 19:41:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 12:59:32.194594
- Title: Detector-SegMentor Network for Skin Lesion Localization and Segmentation
- Title（参考訳）: 皮膚病変の局在とセグメンテーションのための検出器・セグメンタネットワーク
- Authors: Shreshth Saini (1), Divij Gupta (1), Anil Kumar Tiwari (1) ((1) Indian
Institute of Technology Jodhpur)
- Abstract要約: メラノーマ(Melanoma)は、早期に未診断となった皮膚がんの一種である。
本稿では,ネットワーク・イン・ネットワーク・コンボリューション・ニューラルネットワークによる皮膚病変のセグメンテーションを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Melanoma is a life-threatening form of skin cancer when left undiagnosed at
the early stages. Although there are more cases of non-melanoma cancer than
melanoma cancer, melanoma cancer is more deadly. Early detection of melanoma is
crucial for the timely diagnosis of melanoma cancer and prohibit its spread to
distant body parts. Segmentation of skin lesion is a crucial step in the
classification of melanoma cancer from the cancerous lesions in dermoscopic
images. Manual segmentation of dermoscopic skin images is very time consuming
and error-prone resulting in an urgent need for an intelligent and accurate
algorithm. In this study, we propose a simple yet novel network-in-network
convolution neural network(CNN) based approach for segmentation of the skin
lesion. A Faster Region-based CNN (Faster RCNN) is used for preprocessing to
predict bounding boxes of the lesions in the whole image which are subsequently
cropped and fed into the segmentation network to obtain the lesion mask. The
segmentation network is a combination of the UNet and Hourglass networks. We
trained and evaluated our models on ISIC 2018 dataset and also cross-validated
on PH\textsuperscript{2} and ISBI 2017 datasets. Our proposed method surpassed
the state-of-the-art with Dice Similarity Coefficient of 0.915 and Accuracy
0.959 on ISIC 2018 dataset and Dice Similarity Coefficient of 0.947 and
Accuracy 0.971 on ISBI 2017 dataset.
- Abstract（参考訳）: メラノーマ(Melanoma)は、早期に未診断となった皮膚癌の一種である。
非メラノーマ癌の方がメラノーマ癌より多いが、メラノーマ癌の方が致命的である。
悪性黒色腫の早期発見は,悪性黒色腫のタイムリーな診断に不可欠であり,遠隔部への転移を禁止している。
皮膚病変の分画は,皮膚内視鏡画像中の癌病変からメラノーマ癌を分類する上で重要なステップである。
皮膚画像の手動分割は非常に時間がかかり、エラーが発生しやすいため、インテリジェントで正確なアルゴリズムが必要である。
本研究では,ネットワーク・イン・ネットワーク畳み込みニューラルネットワーク(cnn)を用いた皮膚病変の分節化手法を提案する。
より高速な領域ベースのcnn(faster rcnn)を用いて前処理を行い、画像全体の病変の境界ボックスを予測し、その後、切り抜きてセグメンテーションネットワークに供給し、病変マスクを得る。
セグメンテーションネットワークは unet と hourglass のネットワークの組み合わせである。
私たちは、ISIC 2018データセットでモデルをトレーニングし、評価し、PH\textsuperscript{2}とISBI 2017データセットで相互検証しました。
提案手法は, isic 2018 データセットにおける dice 類似度係数 0.915 と精度 0.959 を, isbi 2017 データセットにおける dice 類似度係数 0.947 と精度 0.971 を上回った。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
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) - A Comparative Analysis Towards Melanoma Classification Using Transfer
Learning by Analyzing Dermoscopic Images [0.0]
本稿では,皮膚病変の分類と診断を可能にするために,深層学習技術と確立された転写学習手法を組み合わせたシステムを提案する。
研究者たちは'Deep Learning'テクニックを使って、膨大な数の写真を訓練し、基本的には期待される結果を得る。
DenseNetは、96.64%のバリデーション精度、9.43%のバリデーション損失、99.63%のテストセット精度など、他のものよりも優れていた。
論文 参考訳（メタデータ） (2023-12-02T19:46:48Z) - Detection and Localization of Melanoma Skin Cancer in Histopathological
Whole Slide Images [1.0962389869127878]
皮膚がんの発生が予想される増加と皮膚病理学者の足跡は、計算病理学(CPATH)システムの必要性を強調している。
本論文は,WSI(Whole Slide Images)における悪性黒色腫の検出と正常皮膚と良性悪性黒色腫病変の鑑別のためのDL法を提案する。
本手法は, 病変を高精度に検出し, 病理医の関心領域を特定するためにWSI上に局在する。
論文 参考訳（メタデータ） (2023-02-06T18:54:14Z) - The Fast and Accurate Approach to Detection and Segmentation of Melanoma
Skin Cancer using Fine-tuned Yolov3 and SegNet Based on Deep Transfer
Learning [0.6091702876917281]
メラノーマ(Melanoma)は、ヒトの皮膚のどの部分でも発生する、最も深刻な皮膚がんの1つである。
近年,学習ベースセグメンテーション法は従来のアルゴリズムと比較して,画像セグメンテーションにおいて望ましい結果を得た。
本研究では,深層学習モデルに基づく2段階パイプラインを定義し,メラノーマ皮膚病変の検出とセグメンテーションを改善する新しい手法を提案する。
論文 参考訳（メタデータ） (2022-10-11T06:09:44Z) - Classification of Skin Cancer Images using Convolutional Neural Networks [0.0]
皮膚がんは最も一般的なヒト悪性腫瘍である。
ディープニューラルネットワークは、画像分類の謙虚な可能性を示している。
最も高いモデル精度は86.65%以上である。
論文 参考訳（メタデータ） (2022-02-01T17:11:41Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Method to Classify Skin Lesions using Dermoscopic images [0.0]
皮膚がんは、がん患者の3分の1を構成する既存の世界でもっとも一般的ながんである。
そこで本研究では,CNN(Convolution Neural Networks)をトレーニングモデルとして,皮膚画像を用いた皮膚病変の自動分類モデルを開発した。
このモデルが達成できる最良の精度は0.886である。
論文 参考訳（メタデータ） (2020-08-21T10:58:33Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。