論文の概要: Can self-training identify suspicious ugly duckling lesions?

• arxiv url: http://arxiv.org/abs/2105.07116v1
• Date: Sat, 15 May 2021 02:01:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 04:22:11.370559
• Title: Can self-training identify suspicious ugly duckling lesions?
• Title（参考訳）: 自己訓練は疑わしいアヒル病巣を識別できるか?
• Authors: Mohammadreza Mohseni, Jordan Yap, William Yolland, Arash Koochek and M Stella Atkins
• Abstract要約: 自己教師付き機械学習を用いて異常病変を自動的に検出する。 まず, 広視野皮膚画像から全病変を自動的に検出し, 抽出し, 患者画像内の各病変への埋め込みを算出した。 これらの埋め込みは、異性度を測定する方法としてL2距離を計算するために使用される。 この深層学習法を用いて、Ugly Ducklingsは検査医にもっと注意に値するアウトリーチとして識別される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One commonly used clinical approach towards detecting melanomas recognises the existence of Ugly Duckling nevi, or skin lesions which look different from the other lesions on the same patient. An automatic method of detecting and analysing these lesions would help to standardize studies, compared with manual screening methods. However, it is difficult to obtain expertly-labelled images for ugly duckling lesions. We therefore propose to use self-supervised machine learning to automatically detect outlier lesions. We first automatically detect and extract all the lesions from a wide-field skin image, and calculate an embedding for each detected lesion in a patient image, based on automatically identified features. These embeddings are then used to calculate the L2 distances as a way to measure dissimilarity. Using this deep learning method, Ugly Ducklings are identified as outliers which should deserve more attention from the examining physician. We evaluate through comparison with dermatologists, and achieve a sensitivity rate of 72.1% and diagnostic accuracy of 94.2% on the held-out test set.
• Abstract（参考訳）: メラノーマの検出に一般的に用いられる1つのアプローチは、アヒルネビや同じ患者の他の病変とは異なるように見える皮膚病変の存在を認識している。 これらの病変を自動的に検出し分析する方法は、手動スクリーニング法と比較して研究の標準化に役立つだろう。 しかし,アヒル病巣に限局した画像を得ることは困難である。 そこで我々は,自動教師付き機械学習を用いて異常病変を自動的に検出することを提案する。 まず, 広視野皮膚画像からすべての病変を自動検出し, 抽出し, 患者画像中の各病変に対する埋め込みを, 自動的に特定した特徴に基づいて算出する。 これらの埋め込みは、異性度を測定する方法としてL2距離を計算するために使用される。 この深層学習法を用いて、Ugly Ducklingsは検査医にもっと注意に値するアウトリーチとして識別される。 皮膚科医との比較により,72.1%の感度,94.2%の診断精度が得られた。

関連論文リスト

• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Faint Features Tell: Automatic Vertebrae Fracture Screening Assisted by Contrastive Learning [11.944282446506396]
  長期の脊椎骨折は患者の生活の質に深刻な影響を与え、気胸、腰椎変形、さらには麻痺を引き起こしている。 特に、深層学習モデルや経験の浅い医師では、軽度の骨折と正常なコントロールを区別することは極めて困難である。 そこで本研究では,CTスキャンを用いてGenentの脊椎骨折度を推定するための教師付きコントラスト学習ベースモデルを提案する。 両分類では99%,感度は85%,マクロF1は77%であった。
  論文  参考訳（メタデータ） (2022-08-23T02:39:08Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Automatic Facial Skin Feature Detection for Everyone [60.31670960526022]
  本研究では,野生の自撮り自撮りのために,さまざまな肌のトーンと年齢群にまたがって機能する顔顔の特徴自動検出法を提案する。 具体的には,肌の色,重度度,照明条件の異なる自撮り画像に対して,アクネ,顔料,ニキビの位置を注釈する。
  論文  参考訳（メタデータ） (2022-03-30T04:52:54Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• A novel optical needle probe for deep learning-based tissue elasticity characterization [59.698811329287174]
  光コヒーレンスエラストグラフィー(OCE)プローブは針挿入のために提案されているが、今のところ必要な負荷感知能力は欠如している。 針先端での光コヒーレンストモグラフィ(OCT)イメージングと負荷検出を同時に行う新しいOCEニードルプローブを提案する。
  論文  参考訳（メタデータ） (2021-09-20T08:29:29Z)
• Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging Studies [19.890200389017213]
  深部病変追跡器(DLT)は、外観と解剖学的信号の両方を使用するディープラーニングアプローチです。 我々は,公開deeplesionデータベースから3891個の病巣対からなる最初の病巣追跡ベンチマークをリリースする。 dltは100の縦断研究の外部臨床検査セットをよく一般化し、88%の精度を達成する。
  論文  参考訳（メタデータ） (2020-12-09T05:23:46Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)

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。