論文の概要: Analysis of skin lesion images with deep learning
- arxiv url: http://arxiv.org/abs/2101.03814v1
- Date: Mon, 11 Jan 2021 10:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 19:14:39.598211
- Title: Analysis of skin lesion images with deep learning
- Title（参考訳）: 深層学習による皮膚病変画像の解析
- Authors: Josef Steppan and Sten Hanke
- Abstract要約: 内視鏡画像の分類における美術の現状を評価します。
ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。
皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Skin cancer is the most common cancer worldwide, with melanoma being the
deadliest form. Dermoscopy is a skin imaging modality that has shown an
improvement in the diagnosis of skin cancer compared to visual examination
without support. We evaluate the current state of the art in the classification
of dermoscopic images based on the ISIC-2019 Challenge for the classification
of skin lesions and current literature. Various deep neural network
architectures pre-trained on the ImageNet data set are adapted to a combined
training data set comprised of publicly available dermoscopic and clinical
images of skin lesions using transfer learning and model fine-tuning. The
performance and applicability of these models for the detection of eight
classes of skin lesions are examined. Real-time data augmentation, which uses
random rotation, translation, shear, and zoom within specified bounds is used
to increase the number of available training samples. Model predictions are
multiplied by inverse class frequencies and normalized to better approximate
actual probability distributions. Overall prediction accuracy is further
increased by using the arithmetic mean of the predictions of several
independently trained models. The best single model has been published as a web
service.
- Abstract（参考訳）: 皮膚がんは世界中で最も多いがんであり、メラノーマが最も多い。
皮膚内視鏡検査は, 皮膚がんの診断において, サポートなしの視力検査と比較して改善した皮膚画像モダリティである。
皮膚病変の分類と文献の分類のためのISIC-2019 Challengeに基づいて,皮膚画像の分類における術式の現状を評価した。
ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、転写学習とモデル微調整を用いた皮膚病変の皮膚内視鏡的および臨床的画像からなる複合トレーニングデータセットに適合する。
8種類の皮膚病変の検出におけるこれらのモデルの性能と適用性について検討した。
ランダムな回転、翻訳、せん断、ズームを利用するリアルタイムデータ拡張は、利用可能なトレーニングサンプルの数を増やすために使用される。
モデル予測は逆クラス周波数に乗算され、より近似的な実確率分布に正規化される。
独立に訓練されたモデルの予測の算術平均を用いて、全体的な予測精度をさらに向上する。
最高のシングルモデルはWebサービスとして公開された。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - LesionAid: Vision Transformers-based Skin Lesion Generation and
Classification [0.0]
本研究では,ViTとViTGANに基づいて皮膚病変を分類する新しいマルチクラス予測フレームワークを提案する。
フレームワークは、ViTGAN、画像処理、説明可能なAIの4つの主要なフェーズで構成されている。
論文 参考訳（メタデータ） (2023-02-02T13:52:54Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Improving dermatology classifiers across populations using images
generated by large diffusion models [4.291548465691441]
大規模なテキスト・画像拡散モデルであるDALL$cdot$E2は皮膚疾患の光写実画像を生成することができることを示す。
DALL$cdot$E2生成合成画像によるトレーニングデータの拡大は、皮膚疾患の全体的分類、特に表現不足群の分類を改善することを実証した。
論文 参考訳（メタデータ） (2022-11-23T23:53:03Z) - 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) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - 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。