論文の概要: Deep Transfer Learning for Automated Diagnosis of Skin Lesions from Photographs

• arxiv url: http://arxiv.org/abs/2011.04475v3
• Date: Wed, 18 Nov 2020 14:30:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 04:40:04.531408
• Title: Deep Transfer Learning for Automated Diagnosis of Skin Lesions from Photographs
• Title（参考訳）: 写真から皮膚病変の自動診断のための深層転写学習
• Authors: Emma Rocheteau, Doyoon Kim
• Abstract要約: メラノーマは最も一般的な皮膚がんではないが、最も致命的な病気である。現在、この病気は専門の皮膚科医によって診断されている。費用がかかり、治療に時間を要する。 近年の深層学習の進歩は、診断性能の向上、緊急紹介の迅速化、臨床医の負担軽減につながる可能性がある。
• 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: Melanoma is not the most common form of skin cancer, but it is the most deadly. Currently, the disease is diagnosed by expert dermatologists, which is costly and requires timely access to medical treatment. Recent advances in deep learning have the potential to improve diagnostic performance, expedite urgent referrals and reduce burden on clinicians. Through smart phones, the technology could reach people who would not normally have access to such healthcare services, e.g. in remote parts of the world, due to financial constraints or in 2020, COVID-19 cancellations. To this end, we have investigated various transfer learning approaches by leveraging model parameters pre-trained on ImageNet with finetuning on melanoma detection. We compare EfficientNet, MnasNet, MobileNet, DenseNet, SqueezeNet, ShuffleNet, GoogleNet, ResNet, ResNeXt, VGG and a simple CNN with and without transfer learning. We find the mobile network, EfficientNet (with transfer learning) achieves the best mean performance with an area under the receiver operating characteristic curve (AUROC) of 0.931$\pm$0.005 and an area under the precision recall curve (AUPRC) of 0.840$\pm$0.010. This is significantly better than general practitioners (0.83$\pm$0.03 AUROC) and dermatologists (0.91$\pm$0.02 AUROC).
• Abstract（参考訳）: メラノーマは皮膚がんの最も一般的な形態ではないが、最も致命的なものである。 現在、この病気は専門家の皮膚科医によって診断されており、費用がかかり、治療に適度なアクセスが必要である。 近年の深層学習の進歩は、診断性能の向上、緊急紹介の迅速化、臨床医の負担軽減につながる可能性がある。 スマートフォンを通じてこの技術は、金融上の制約や2020年の新型コロナウイルス(covid-19)のキャンセルなど、世界の遠隔地など、通常の医療サービスにアクセスできない人々にリーチすることができる。 そこで我々は,ImageNet上で事前学習したモデルパラメータとメラノーマ検出の微調整を利用して,様々な伝達学習手法を検討した。 我々は、EfficientNet、MnasNet、MobileNet、DenseNet、SqueezeNet、ShuffleNet、GoogleNet、ResNet、ResNeXt、VGG、トランスファーラーニングなしの単純なCNNを比較した。 移動体ネットワークの効率性(転送学習)は、受信機動作特性曲線(AUROC)0.931$\pm$0.005、高精度リコール曲線(AUPRC)0.840$\pm$0.010の領域で最高の平均性能を達成する。 これは一般的な実践者(0.83$\pm$0.03 AUROC)や皮膚科医(0.91$\pm$0.02 AUROC)よりもはるかに優れている。

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)
• Skin Cancer Detection utilizing Deep Learning: Classification of Skin Lesion Images using a Vision Transformer [0.0]
  我々は、自己認識機構のアイデアに基づいて開発された視覚変換器(ViT)を用いる。 ViT-L32モデルは91.57%、メラノーマリコールは58.54%、ViT-L16は92.79%、メラノーマリコールは56.10%である。
  論文  参考訳（メタデータ） (2024-07-26T07:06:42Z)
• 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)
• Knowledge Distillation approach towards Melanoma Detection [0.7250756081498245]
  メラノーマはすべての皮膚がんの中で最も危険であると考えられている。 メラノーマの早期発見と、患者のタイムリーな治療を可能にするシステムを構築する必要がある。 近年の手法は、画像認識や、メラノーマや非メラノーマなどの皮膚病変の画像にタグを付ける機械学習に基づくシステムに向けられている。
  論文  参考訳（メタデータ） (2022-10-14T20:18:07Z)
• Comparison of Deep Learning and Machine Learning Models and Frameworks for Skin Lesion Classification [0.0]
  機械学習とディープラーニングを使って皮膚がんの分類を行うと、アクセシビリティが向上し、従来の病変検出プロセスにおける不快な手順が軽減される。 本稿では、一般的な皮膚病変のベンチマークHAM10000データセットを用いて、2つのモデルをテストする。 資源制約のある移動環境において,皮膚病変診断のための異なるフレームワーク上での深層学習モデルと同一の深層学習モデルの比較は,これまで行われなかった。
  論文  参考訳（メタデータ） (2022-07-26T08:07:33Z)
• Exploring Advances in Transformers and CNN for Skin Lesion Diagnosis on Small Datasets [3.5665681694253903]
  皮膚がんは世界で最も一般的ながんの1つである。 近年のコンピュータビジョンの進歩は、多くのタスク、特にトランスフォーマーベースのネットワークにおいて最先端の結果を達成した。
  論文  参考訳（メタデータ） (2022-05-30T21:41:32Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。