論文の概要: Dermoscopic Image Classification with Neural Style Transfer

• arxiv url: http://arxiv.org/abs/2105.07592v1
• Date: Mon, 17 May 2021 03:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 01:45:22.989338
• Title: Dermoscopic Image Classification with Neural Style Transfer
• Title（参考訳）: ニューラルスタイル移動を用いた皮膚内視鏡画像分類
• Authors: Yutong Li, Ruoqing Zhu, Annie Qu and Mike Yeh
• Abstract要約: 皮膚病変分類問題に対する新しい画像前処理ステップとして,NST(Neural Style Transfer)の適応を提案する。 各皮膚内視鏡像をスタイル画像として表現し、病変のスタイルを均質なコンテンツ画像に転送します。 これにより、各病変の主な変動を同じ局在領域に転送し、生成された画像を一緒に統合し、潜伏した低ランクスタイルの特徴を抽出します。
• 参考スコア（独自算出の注目度）: 5.314466196448187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin cancer, the most commonly found human malignancy, is primarily diagnosed visually via dermoscopic analysis, biopsy, and histopathological examination. However, unlike other types of cancer, automated image classification of skin lesions is deemed more challenging due to the irregularity and variability in the lesions' appearances. In this work, we propose an adaptation of the Neural Style Transfer (NST) as a novel image pre-processing step for skin lesion classification problems. We represent each dermoscopic image as the style image and transfer the style of the lesion onto a homogeneous content image. This transfers the main variability of each lesion onto the same localized region, which allows us to integrate the generated images together and extract latent, low-rank style features via tensor decomposition. We train and cross-validate our model on a dermoscopic data set collected and preprocessed from the International Skin Imaging Collaboration (ISIC) database. We show that the classification performance based on the extracted tensor features using the style-transferred images significantly outperforms that of the raw images by more than 10%, and is also competitive with well-studied, pre-trained CNN models through transfer learning. Additionally, the tensor decomposition further identifies latent style clusters, which may provide clinical interpretation and insights.
• Abstract（参考訳）: 最も一般的なヒト悪性腫瘍である皮膚癌は、主に皮膚内視鏡検査、生検、病理組織検査によって視覚的に診断される。 しかし,他の種類の癌と異なり,皮膚病変の自動分類は,病変の外観の異常や変動が原因で困難であると考えられる。 本研究では,皮膚病変分類問題に対する新しい画像前処理ステップとしてニューラルスタイル転送(NST)の適応を提案する。 我々は各皮膚内視鏡像をスタイル画像として表現し、病変のスタイルを均一な内容画像に転送する。 これにより、各病変の主変数を同じ局所化領域に移行し、生成した画像を統合し、テンソル分解により潜在低ランクな特徴を抽出することができる。 我々は,ISIC(International Skin Imaging Collaboration)データベースから収集・前処理された皮膚内視鏡的データセットを用いて,モデルをトレーニングし,クロスバリデーションする。 スタイル転送画像を用いて抽出したテンソル特徴に基づく分類性能は,生画像よりも10%以上向上し,転送学習による事前学習されたcnnモデルとの競合性も高いことが示された。 さらに、テンソル分解は、臨床解釈と洞察を提供する潜在スタイルのクラスターをさらに特定する。

関連論文リスト

• Deep Learning Method to Predict Wound Healing Progress Based on Collagen Fibers in Wound Tissue [5.91170345684227]
  本稿では,創傷治癒の進展を予測するために,深層学習に基づく革新的なアプローチを提案する。 創傷治癒の6段階を82%の精度で分類した。 我々の知る限り,本提案モデルは創傷治癒過程を予測するための,最初の深層学習に基づく分類モデルである。
  論文  参考訳（メタデータ） (2024-05-08T13:33:32Z)
• 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)
• 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)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• 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)
• 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)
• 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)
• Analysis of skin lesion images with deep learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-11T10:58:36Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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)
• 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。