論文の概要: The Effects of Skin Lesion Segmentation on the Performance of Dermatoscopic Image Classification

• arxiv url: http://arxiv.org/abs/2008.12602v1
• Date: Fri, 28 Aug 2020 12:17:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:14:07.661512
• Title: The Effects of Skin Lesion Segmentation on the Performance of Dermatoscopic Image Classification
• Title（参考訳）: 皮膚病変の分画が皮膚内視鏡画像分類の性能に及ぼす影響
• Authors: Amirreza Mahbod, Philipp Tschandl, Georg Langs, Rupert Ecker, Isabella Ellinger
• Abstract要約: 皮膚病変のセグメンテーションマスクの使用が皮膚内視鏡画像分類の性能に及ぼす影響について明らかに検討した。 トレーニングフェーズとテストフェーズの両方で,手動であるいは自動でセグメンテーションマスクを作成しました。 その結果, セグメンテーションマスクを用いた場合, いずれのシナリオにおいてもMM分類性能は有意に向上しなかった。
• 参考スコア（独自算出の注目度）: 3.6516187682800547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malignant melanoma (MM) is one of the deadliest types of skin cancer. Analysing dermatoscopic images plays an important role in the early detection of MM and other pigmented skin lesions. Among different computer-based methods, deep learning-based approaches and in particular convolutional neural networks have shown excellent classification and segmentation performances for dermatoscopic skin lesion images. These models can be trained end-to-end without requiring any hand-crafted features. However, the effect of using lesion segmentation information on classification performance has remained an open question. In this study, we explicitly investigated the impact of using skin lesion segmentation masks on the performance of dermatoscopic image classification. To do this, first, we developed a baseline classifier as the reference model without using any segmentation masks. Then, we used either manually or automatically created segmentation masks in both training and test phases in different scenarios and investigated the classification performances. Evaluated on the ISIC 2017 challenge dataset which contained two binary classification tasks (i.e. MM vs. all and seborrheic keratosis (SK) vs. all) and based on the derived area under the receiver operating characteristic curve scores, we observed four main outcomes. Our results show that 1) using segmentation masks did not significantly improve the MM classification performance in any scenario, 2) in one of the scenarios (using segmentation masks for dilated cropping), SK classification performance was significantly improved, 3) removing all background information by the segmentation masks significantly degraded the overall classification performance, and 4) in case of using the appropriate scenario (using segmentation for dilated cropping), there is no significant difference of using manually or automatically created segmentation masks.
• Abstract（参考訳）: 悪性黒色腫(MM)は最も多い皮膚癌の1つである。 皮膚内視鏡像の解析は,MMおよび他の色素性皮膚病変の早期発見において重要な役割を担っている。 深層学習に基づくアプローチ,特に畳み込みニューラルネットワークは皮膚皮膚病変の画像に対して優れた分類とセグメンテーション性能を示した。 これらのモデルは手作りの機能を必要としないエンドツーエンドで訓練することができる。 しかし,病巣分割情報の利用が分類性能に及ぼす影響は未解決のままである。 本研究では,皮膚病変セグメンテーションマスクの使用が皮膚内視鏡画像分類の性能に及ぼす影響について検討した。 そこで,まず,セグメンテーションマスクを用いずに参照モデルとしてベースライン分類器を開発した。 次に,手動または自動でセグメンテーションマスクを異なるシナリオのトレーニングとテストのフェーズで使用し,分類性能について検討した。 2つのバイナリ分類タスク(mm vs. all と seborrheic keratosis (sk) と all を含む isic 2017 challenge データセットで評価し,受信者の特性曲線スコアの導出領域に基づいて4つの主な結果を得た。 私たちの結果は 1) セグメンテーションマスクを用いた場合, MM分類性能は改善しなかった。 2)SK分類性能は,1つのシナリオ(拡張収穫用セグメンテーションマスク)において有意に向上した。 3)セグメンテーションマスクによる背景情報の削除は,全体の分類性能を著しく低下させた。 4) 適切なシナリオ(拡張収穫用セグメンテーション)を使用する場合, 手動または自動生成セグメンテーションマスクを使用する場合の有意差は認められなかった。

関連論文リスト

• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• From Forks to Forceps: A New Framework for Instance Segmentation of Surgical Instruments [6.677634562400846]
  最小侵襲手術と関連する応用は、インスタンスレベルでの外科的ツール分類とセグメンテーションを要求する。 本研究は,バウンディングボックスとセグメンテーションマスクが正確な場合が多いが,分類ヘッドが手術器具の分類ラベルを誤分類していることを示す。 我々は、既存のインスタンスセグメンテーションモデルに分類モジュールを新しいステージとして追加する新しいニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:26:42Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• Skin lesion segmentation and classification using deep learning and handcrafted features [0.0]
  我々は、ハイブリッド機能と呼ばれる新しいタイプの画像特徴を作成し、単一のメソッド機能よりも識別能力が強い。 我々のモデルは92.3%のバランスの取れたマルチクラス精度を実現しており、これはディープラーニングのための典型的な単一手法アーキテクチャよりも6.8%良い。
  論文  参考訳（メタデータ） (2021-12-20T02:45:42Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)
• 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)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
  皮膚病変画像の自動分類のための2段階の枠組みを提案する。 第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。 第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-14T22:46:20Z)

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。