論文の概要: Bulk Production Augmentation Towards Explainable Melanoma Diagnosis

• arxiv url: http://arxiv.org/abs/2103.02198v1
• Date: Wed, 3 Mar 2021 06:06:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 15:13:17.692419
• Title: Bulk Production Augmentation Towards Explainable Melanoma Diagnosis
• Title（参考訳）: 説明可能なメラノーマ診断のためのバルク生産増強
• Authors: Kasumi Obi, Quan Huu Cap, Noriko Umegaki-Arao, Masaru Tanaka, Hitoshi Iyatomi
• Abstract要約: 提案したBPAは,非定型顔料ネットワーク(APN)の特徴検出器構築に有効なデータ拡張として機能する。 実験の結果,BPAが生成した画像によるトレーニングは,受信特性曲線下において,APN検出性能を20.0ポイント向上させることがわかった。
• 参考スコア（独自算出の注目度）: 3.1498833540989413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although highly accurate automated diagnostic techniques for melanoma have been reported, the realization of a system capable of providing diagnostic evidence based on medical indices remains an open issue because of difficulties in obtaining reliable training data. In this paper, we propose bulk production augmentation (BPA) to generate high-quality, diverse pseudo-skin tumor images with the desired structural malignant features for additional training images from a limited number of labeled images. The proposed BPA acts as an effective data augmentation in constructing the feature detector for the atypical pigment network (APN), which is a key structure in melanoma diagnosis. Experiments show that training with images generated by our BPA largely boosts the APN detection performance by 20.0 percentage points in the area under the receiver operating characteristic curve, which is 11.5 to 13.7 points higher than that of conventional CycleGAN-based augmentations in AUC.
• Abstract（参考訳）: メラノーマの高精度自動診断技術が報告されているが,信頼性の高いトレーニングデータを得ることが困難であるため,医療指標に基づく診断証拠を提供するシステムの実現は未解決の課題である。 本稿では,限られた数のラベル付き画像から追加訓練画像に所望の構造的悪性特徴を有する高品質で多彩な疑似スキン腫瘍画像を生成するために,バルク生産増強法を提案する。 提案したBPAは、メラノーマ診断における重要な構造である非定型顔料ネットワーク(APN)の特徴検出器の構築に有効なデータ拡張として機能する。 実験の結果,BPAが生成した画像によるトレーニングは,AUCの従来のCycleGANによる拡張よりも11.5～13.7ポイント高い受信特性曲線下において,APN検出性能を20.0ポイント向上させることがわかった。

関連論文リスト

• Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
  CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。 特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
  論文  参考訳（メタデータ） (2024-05-13T16:07:58Z)
• Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
  本研究は,乳房組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。 乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-05-07T11:24:37Z)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning [0.0]
  乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。 以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
  論文  参考訳（メタデータ） (2022-07-13T23:53:09Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。