論文の概要: Learning Differential Diagnosis of Skin Conditions with Co-occurrence
Supervision using Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2007.06666v1
- Date: Mon, 13 Jul 2020 20:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-11-11 00:25:59.046219
- Title: Learning Differential Diagnosis of Skin Conditions with Co-occurrence
Supervision using Graph Convolutional Networks
- Title（参考訳）: グラフ畳み込みネットワークを用いた共起スーパービジョンによる皮膚条件の鑑別診断
- Authors: Junyan Wu, Hao Jiang, Xiaowei Ding, Anudeep Konda, Jin Han, Yang
Zhang, Qian Li
- Abstract要約: 臨床画像を用いた皮膚疾患の鑑別診断が可能な深層学習システム(DLS)を提案する。
DLSは, 画像ラベルが不完全である場合に, 複数ラベルの分類タスクとして80以上の条件を定式化する。
本手法は臨床画像136,462枚に示され,分類精度は共起監督の利点が大きいと結論された。
- 参考スコア（独自算出の注目度）: 8.39397743703592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin conditions are reported the 4th leading cause of nonfatal disease burden
worldwide. However, given the colossal spectrum of skin disorders defined
clinically and shortage in dermatology expertise, diagnosing skin conditions in
a timely and accurate manner remains a challenging task. Using computer vision
technologies, a deep learning system has proven effective assisting clinicians
in image diagnostics of radiology, ophthalmology and more. In this paper, we
propose a deep learning system (DLS) that may predict differential diagnosis of
skin conditions using clinical images. Our DLS formulates the differential
diagnostics as a multi-label classification task over 80 conditions when only
incomplete image labels are available. We tackle the label incompleteness
problem by combining a classification network with a Graph Convolutional
Network (GCN) that characterizes label co-occurrence and effectively
regularizes it towards a sparse representation. Our approach is demonstrated on
136,462 clinical images and concludes that the classification accuracy greatly
benefit from the Co-occurrence supervision. Our DLS achieves 93.6% top-5
accuracy on 12,378 test images and consistently outperform the baseline
classification network.
- Abstract（参考訳）: 皮膚疾患は世界で4番目に重篤な疾患である。
しかし、皮膚疾患の余剰スペクトルが臨床的に定義され、皮膚科学の専門知識が不足していることを考えると、皮膚の状態をタイムリーかつ正確な方法で診断することは難しい課題である。
コンピュータビジョン技術を用いて、深層学習システムは放射線学、眼科などの画像診断において臨床医を効果的に支援することが証明されている。
本稿では,臨床画像を用いた皮膚疾患の鑑別診断が可能な深層学習システム(DLS)を提案する。
DLSは,画像ラベルが不完全である場合に,80以上の条件を多ラベル分類タスクとして定義する。
ラベル共起を特徴付ける分類ネットワークとグラフ畳み込みネットワーク(gcn)を組み合わせることでラベル不完全性問題に対処し、スパース表現に向けて効果的に規則化する。
本手法は臨床画像136,462枚に示され,分類精度は共起監督の利点が大きいと結論された。
我々のDLSは12,378枚のテスト画像に対して93.6%の精度でトップ5を達成し、ベースライン分類網を一貫して上回っている。
関連論文リスト
- Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
CMSwinKANは、病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルである。
臨床所見から導かれるソフト投票機構を導入し,パッチレベルの予測をスライド画像全体の分類にシームレスにブリッジする。
その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
論文 参考訳（メタデータ） (2025-04-18T15:39:46Z) - 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) - A Novel Automated Classification and Segmentation for COVID-19 using 3D
CT Scans [5.5957919486531935]
新型コロナウイルス(COVID-19)による肺のCT画像では、地上ガラスの濁度が専門的な診断を必要とする最も一般的な発見である。
一部の研究者は、専門知識の欠如による専門的診断専門医の代替となる、関連するDLモデルを提案する。
肺病変の分類では, 新型コロナウイルス, 肺炎, 正常の3種類で94.52%の精度が得られた。
論文 参考訳（メタデータ） (2022-08-04T22:14:18Z) - Discriminative Kernel Convolution Network for Multi-Label Ophthalmic
Disease Detection on Imbalanced Fundus Image Dataset [13.687617973585983]
緑内障、糖尿病網膜症、白内障などの眼疾患が世界中の視覚障害の主な原因である。
本研究は,識別的カーネル畳み込みネットワーク (DKCNet) を提案する。
また、全く見えない眼底像にも良い効果が認められる。
論文 参考訳（メタデータ） (2022-07-16T12:03:27Z) - DenseNet approach to segmentation and classification of dermatoscopic
skin lesions images [0.0]
本稿では,2つのアーキテクチャを用いた皮膚病変の分類と分類の改善手法を提案する。
U-NetとDenseNet121の組み合わせは、皮膚内視鏡画像解析において許容できる結果を提供する。
DenseNet121ネットワークでは、それぞれ79.49%と93.11%の精度で癌と非癌サンプルが検出された。
論文 参考訳（メタデータ） (2021-10-09T19:12:23Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Interpretable Automated Diagnosis of Retinal Disease using Deep OCT
Analysis [7.005458308454871]
我々は,OCTスキャンの正確な分類のためのCNNベースモデルを開発した。
我々は、モデルの判断に関する質的および定量的な説明の両方を作成することに重点を置いている。
私たちの仕事は、モデルの決定について、初めて詳細な説明をしました。
論文 参考訳（メタデータ） (2021-09-03T17:59:34Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - 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。
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。