論文の概要: Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images
- arxiv url: http://arxiv.org/abs/2104.02652v1
- Date: Fri, 2 Apr 2021 20:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 14:20:24.594058
- Title: Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images
- Title(参考訳): 臨床皮膚画像からの悪性度予測と病変同定
- Authors: Meng Xia, Meenal K. Kheterpal, Samantha C. Wong, Christine Park,
William Ratliff, Lawrence Carin, Ricardo Henao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 65.1629311281062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider machine-learning-based malignancy prediction and lesion
identification from clinical dermatological images, which can be indistinctly
acquired via smartphone or dermoscopy capture. Additionally, we do not assume
that images contain single lesions, thus the framework supports both focal or
wide-field images. Specifically, we propose a two-stage approach in which we
first identify all lesions present in the image regardless of sub-type or
likelihood of malignancy, then it estimates their likelihood of malignancy, and
through aggregation, it also generates an image-level likelihood of malignancy
that can be used for high-level screening processes. Further, we consider
augmenting the proposed approach with clinical covariates (from electronic
health records) and publicly available data (the ISIC dataset). Comprehensive
experiments validated on an independent test dataset demonstrate that i) the
proposed approach outperforms alternative model architectures; ii) the model
based on images outperforms a pure clinical model by a large margin, and the
combination of images and clinical data does not significantly improves over
the image-only model; and iii) the proposed framework offers comparable
performance in terms of malignancy classification relative to three board
certified dermatologists with different levels of experience.
- Abstract(参考訳): 臨床皮膚画像からの機械学習に基づく悪性腫瘍の予測と病変の同定について検討した。
さらに,画像は単一の病変を含むとは仮定せず,焦点画像と広視野画像の両方をサポートする。
具体的には, 画像中のすべての病変を, サブタイプや悪性度にかかわらず識別し, それらの悪性度を推定し, 凝集することにより, 高レベルのスクリーニングに使用できる画像レベルの悪性度の可能性も生み出す2段階アプローチを提案する。
さらに,提案手法を,臨床共変量(電子健康記録)と公開データ(isicデータセット)で強化することを検討する。
Comprehensive experiments validated on an independent test dataset demonstrate that i) the proposed approach outperforms alternative model architectures; ii) the model based on images outperforms a pure clinical model by a large margin, and the combination of images and clinical data does not significantly improves over the image-only model; and iii) the proposed framework offers comparable performance in terms of malignancy classification relative to three board certified dermatologists with different levels of experience.
関連論文リスト
- A Clinical-oriented Multi-level Contrastive Learning Method for Disease Diagnosis in Low-quality Medical Images [4.576524795036682]
コントラスト学習(CL)により誘導される疾患診断法は,病変の特徴表現において有意な優位性を示した。
本稿では,病変の特徴を抽出するためのモデルの能力向上を目的とした,臨床指向型多段階CLフレームワークを提案する。
提案されたCLフレームワークは、EyeQとChest X-rayの2つの公開医療画像データセットで検証されている。
論文 参考訳(メタデータ) (2024-04-07T09:08:14Z) - VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。
本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。
結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
論文 参考訳(メタデータ) (2024-01-02T19:51:49Z) - Revamping AI Models in Dermatology: Overcoming Critical Challenges for
Enhanced Skin Lesion Diagnosis [8.430482797862926]
我々は、分散-textbfClinical TriageモデルのオールインワンのtextbfHierarchical-textbfOutを示す。
臨床画像では,階層的予測,アウト・オブ・ディストリビューション画像の警告,皮膚内視鏡の推奨の3つの出力を生成する。
我々の汎用モデルは、病変診断のための貴重な意思決定支援を提供し、医療AI応用の有望な先例を定めている。
論文 参考訳(メタデータ) (2023-11-02T06:08:49Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Deep Cervix Model Development from Heterogeneous and Partially Labeled
Image Datasets [0.0]
子宮頸癌は世界で4番目に多いがんである。
基準特異的予測モデル開発におけるラベル付け基準に影響を与える頚部検査の目的は様々である。
これらの課題に乗じて、未ラベルの頚部画像から事前学習した頸部頸部頸部のモデルを作成するために、自己教師付き学習(SSL)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-18T14:24:50Z) - Cancer image classification based on DenseNet model [3.3516258832067067]
DenseNet Blockに基づく新しい転移性癌画像分類モデルを提案する。
PatchCamelyon(PCam)ベンチマークデータセットのわずかに修正されたバージョン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) (2020-11-23T03:05:42Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。