論文の概要: Transfer learning with class-weighted and focal loss function for
automatic skin cancer classification
- arxiv url: http://arxiv.org/abs/2009.05977v1
- Date: Sun, 13 Sep 2020 10:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 03:10:24.497892
- Title: Transfer learning with class-weighted and focal loss function for
automatic skin cancer classification
- Title(参考訳): 自動皮膚癌分類のためのクラス重度・焦点損失機能を用いた転写学習
- Authors: Duyen N.T. Le, Hieu X. Le, Lua T. Ngo, Hoan T. Ngo
- Abstract要約: 皮膚病変を7つのクラスのうちの1つに分類できる深層学習システムを開発した。
我々のResNet50モデルのアンサンブルは、皮膚病変をトップ1、トップ2、トップ3の精度93%、97%、99%の7つのクラスのうちの1つに分類することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skin cancer is by far in top-3 of the world's most common cancer. Among
different skin cancer types, melanoma is particularly dangerous because of its
ability to metastasize. Early detection is the key to success in skin cancer
treatment. However, skin cancer diagnosis is still a challenge, even for
experienced dermatologists, due to strong resemblances between benign and
malignant lesions. To aid dermatologists in skin cancer diagnosis, we developed
a deep learning system that can effectively and automatically classify skin
lesions into one of the seven classes: (1) Actinic Keratoses, (2) Basal Cell
Carcinoma, (3) Benign Keratosis, (4) Dermatofibroma, (5) Melanocytic nevi, (6)
Melanoma, (7) Vascular Skin Lesion. The HAM10000 dataset was used to train the
system. An end-to-end deep learning process, transfer learning technique,
utilizing multiple pre-trained models, combining with class-weighted and focal
loss were applied for the classification process. The result was that our
ensemble of modified ResNet50 models can classify skin lesions into one of the
seven classes with top-1, top-2 and top-3 accuracy 93%, 97% and 99%,
respectively. This deep learning system can potentially be integrated into
computer-aided diagnosis systems that support dermatologists in skin cancer
diagnosis.
- Abstract(参考訳): 皮膚がんは、世界で最も一般的ながんの上位3位にある。
皮膚がんの種類によって、黒色腫は転移する能力があるため特に危険である。
早期発見は皮膚がん治療の成功の鍵である。
しかし、良性病変と悪性病変との強い類似性から、経験豊富な皮膚科医でも皮膚がんの診断は依然として困難である。
皮膚がん診断における皮膚科医の補助として,(1)アクチン性角化症,(2)基底細胞癌,(3)良性角化症,(4)皮膚線維腫,(5)メラノサイト性母斑,(6)黒色腫,(7)血管性皮膚病変の7種類に,有効かつ自動的に皮膚病変を分類できる深層学習システムを開発した。
HAM10000データセットはシステムのトレーニングに使用された。
クラス重み付けと焦点損失を組み合わせた複数の事前学習モデルを用いたエンド・ツー・エンドのディープラーニングプロセス,転送学習手法を分類プロセスに適用した。
その結果,resnet50を改良したモデルでは,皮膚病変をtop-1,top-2,top-3の正解率93%,97%,99%の7種類に分類できた。
この深層学習システムは、皮膚がんの診断において皮膚科医を支援するコンピュータ支援診断システムに統合される可能性がある。
関連論文リスト
- Double-Condensing Attention Condenser: Leveraging Attention in Deep
Learning to Detect Skin Cancer from Skin Lesion Images [65.83291923029985]
皮膚がんはアメリカ合衆国で最も一般的な種類のがんであり、5人に1人のアメリカ人に影響を与えると推定されている。
近年の進歩は,SIIM-ISICメラノーマ分類チャレンジのアートパフォーマンスの状況から,皮膚がん検出に強い効果を示している。
本稿では,皮膚病変画像の皮膚癌検出に効率的な自己注意構造を活用し,皮膚病変画像からの皮膚癌検出をカスタマイズしたDC-ACを用いたディープニューラルネットワーク設計を提案する。
論文 参考訳(メタデータ) (2023-11-20T10:45:39Z) - Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network [2.4469484645516837]
本稿では,異なる種類の皮膚病変を正確に同定するコンピュータによる深層学習手法を提案する。
ディープラーニングアプローチは、モデルが画像の各ピクセルを学習するため、皮膚がんを極めて正確に検出することができる。
いくつかのディープラーニングモデルには制限があり、モデルが偽陽性の結果に導かれる。
論文 参考訳(メタデータ) (2023-03-13T23:16:18Z) - A Comprehensive Evaluation Study on Risk Level Classification of
Melanoma by Computer Vision on ISIC 2016-2020 Datasets [0.0]
メラノーマは皮膚がんの75%の死因である。
メラノーマの検出は何百万人もの人に良い影響を与える可能性がある。
ISICアーカイブは皮膚病変の皮膚内視鏡像の収集で最大である。
論文 参考訳(メタデータ) (2023-02-19T09:58:58Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - New pyramidal hybrid textural and deep features based automatic skin
cancer classification model: Ensemble DarkNet and textural feature extractor [1.4502611532302039]
本研究は, 皮膚癌自動検出の課題を克服することを目的とする。
自動多段階テクスチャおよびディープ特徴ベースモデルを提案する。
選ばれた上位1000の機能は、10倍のクロスバリデーション技術を使って分類される。
論文 参考訳(メタデータ) (2022-03-28T20:53:09Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳(メタデータ) (2022-01-27T16:37:19Z) - 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) - A Pathology Deep Learning System Capable of Triage of Melanoma Specimens
Utilizing Dermatopathologist Consensus as Ground Truth [5.46895714413677]
本稿では,デジタル化された全スライド画像(WSI)の階層的な分類を行う病理深層学習システム(PDLS)を提案する。
これまでに収集されたメラノサイト標本のうち,最大規模の3つを含む7,685枚の画像を用いて,本システムを訓練した。
以上の結果から, PDLSは皮膚検体の自動分類・トリアージが可能であり, メラノサイト性虫垂症に対する感受性が高いことが示唆された。
論文 参考訳(メタデータ) (2021-09-15T19:48:51Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳(メタデータ) (2021-08-08T11:26:34Z) - Dermatologist vs Neural Network [0.0]
1年間に123,000件の悪性黒色腫が検出されている。
ディープラーニングは、素晴らしい結果をもたらす方法のひとつです。
7種類の皮膚疾患に属する10015枚の画像を提供するHAM10000データセットでモデルをトレーニングした。
提案したモデルでは89%の精度が得られた。
論文 参考訳(メタデータ) (2020-06-15T09:44:57Z)
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。