論文の概要: Method to Classify Skin Lesions using Dermoscopic images
- arxiv url: http://arxiv.org/abs/2008.09418v1
- Date: Fri, 21 Aug 2020 10:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 21:28:30.656852
- Title: Method to Classify Skin Lesions using Dermoscopic images
- Title（参考訳）: 皮膚画像を用いた皮膚病変の分類法
- Authors: Hemanth Nadipineni
- Abstract要約: 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。
- 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: Skin cancer is the most common cancer in the existing world constituting
one-third of the cancer cases. Benign skin cancers are not fatal, can be cured
with proper medication. But it is not the same as the malignant skin cancers.
In the case of malignant melanoma, in its peak stage, the maximum life
expectancy is less than or equal to 5 years. But, it can be cured if detected
in early stages. Though there are numerous clinical procedures, the accuracy of
diagnosis falls between 49% to 81% and is time-consuming. So, dermoscopy has
been brought into the picture. It helped in increasing the accuracy of
diagnosis but could not demolish the error-prone behaviour. A quick and less
error-prone solution is needed to diagnose this majorly growing skin cancer.
This project deals with the usage of deep learning in skin lesion
classification. In this project, an automated model for skin lesion
classification using dermoscopic images has been developed with CNN(Convolution
Neural Networks) as a training model. Convolution neural networks are known for
capturing features of an image. So, they are preferred in analyzing medical
images to find the characteristics that drive the model towards success.
Techniques like data augmentation for tackling class imbalance, segmentation
for focusing on the region of interest and 10-fold cross-validation to make the
model robust have been brought into the picture. This project also includes
usage of certain preprocessing techniques like brightening the images using
piece-wise linear transformation function, grayscale conversion of the image,
resize the image. This project throws a set of valuable insights on how the
accuracy of the model hikes with the bringing of new input strategies,
preprocessing techniques. The best accuracy this model could achieve is 0.886
- Abstract（参考訳）: 皮膚がんは、既存の世界のがんの3分の1を構成する最も一般的ながんである。
良性皮膚がんは致命的ではなく、適切な薬で治すことができる。
しかし、それは悪性皮膚がんと同じではない。
悪性黒色腫の場合、その最盛期には、最大寿命は5年以下である。
しかし、早期に検出すれば治すことができる。
多くの臨床試験があるが、診断の精度は49%から81%に低下し、時間がかかる。
そこでdermoscopyが写真に登場しました。
診断精度を高めるのに役立ったが、エラーを起こしやすい行動は取り除けなかった。
主に増殖する皮膚がんの診断には、迅速かつエラーの少ない解決策が必要である。
本研究は,皮膚病変分類における深層学習の活用を扱う。
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。
畳み込みニューラルネットワークは、画像の特徴を捉えることで知られている。
したがって、モデルを成功に導く特徴を見つけるためには、医療画像を分析することが望ましい。
クラス不均衡に対処するためのデータ強化、関心領域にフォーカスするセグメンテーション、モデルを堅牢にするための10倍のクロスバリデーションといった技術が注目されている。
このプロジェクトには、ピースワイド線形変換関数を使用した画像の輝度化、画像のグレースケール変換、画像のサイズ変更など、特定の前処理技術の使用も含まれている。
このプロジェクトでは、モデルの精度が向上し、新しい入力戦略や前処理技術がもたらされる方法について、貴重な洞察が集まります。
このモデルの最良の精度は0.886である。
関連論文リスト
- FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - 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) - Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。
モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。
このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
論文 参考訳（メタデータ） (2023-05-18T17:15:08Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - Melatect: A Machine Learning Model Approach For Identifying Malignant
Melanoma in Skin Growths [0.0]
悪性黒色腫(英: Malignant melanoma)は、転移前に悪性黒色腫が元の部位から離れた臓器で発生する一般的な皮膚がんである。
本稿では悪性黒色腫を同定する機械学習モデルであるMelatectを提案する。
論文 参考訳（メタデータ） (2021-09-07T20:05:08Z) - 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) - Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential
Dermoscopic Images [40.743870665742975]
悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。
そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-19T04:08:22Z) - Detector-SegMentor Network for Skin Lesion Localization and Segmentation [0.0]
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。
論文 参考訳（メタデータ） (2020-05-13T19:41:27Z) - 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。