論文の概要: Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition

• arxiv url: http://arxiv.org/abs/2106.03455v1
• Date: Mon, 7 Jun 2021 09:33:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:41:59.373376
• Title: Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition
• Title（参考訳）: Collaborative Skinsion Segmentation and Melanoma Recognitionのための知識認識深層フレームワーク
• Authors: Xiaohong Wang, Xudong Jiang, Henghui Ding, Yuqian Zhao, Jun Liu
• Abstract要約: メラノーマ診断は、有用な皮膚科臨床知識を学習プロセスに組み込むことが困難であるため、依然として難しい課題である。 本稿では,2つの重要なメラノーマ診断タスクの協調学習に臨床知識を取り入れた新しい知識認識深層フレームワークを提案する。 2つの公開皮膚病変データセットの実験結果から,メラノーマ解析法の有効性が示された。
• 参考スコア（独自算出の注目度）: 34.59452639480664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning techniques have shown their superior performance in dermatologist clinical inspection. Nevertheless, melanoma diagnosis is still a challenging task due to the difficulty of incorporating the useful dermatologist clinical knowledge into the learning process. In this paper, we propose a novel knowledge-aware deep framework that incorporates some clinical knowledge into collaborative learning of two important melanoma diagnosis tasks, i.e., skin lesion segmentation and melanoma recognition. Specifically, to exploit the knowledge of morphological expressions of the lesion region and also the periphery region for melanoma identification, a lesion-based pooling and shape extraction (LPSE) scheme is designed, which transfers the structure information obtained from skin lesion segmentation into melanoma recognition. Meanwhile, to pass the skin lesion diagnosis knowledge from melanoma recognition to skin lesion segmentation, an effective diagnosis guided feature fusion (DGFF) strategy is designed. Moreover, we propose a recursive mutual learning mechanism that further promotes the inter-task cooperation, and thus iteratively improves the joint learning capability of the model for both skin lesion segmentation and melanoma recognition. Experimental results on two publicly available skin lesion datasets show the effectiveness of the proposed method for melanoma analysis.
• Abstract（参考訳）: 深層学習技術は皮膚科臨床検査において優れた性能を示した。 それでもメラノーマの診断は、有用な皮膚科臨床知識を学習プロセスに組み込むことが困難であるため、依然として難しい課題である。 本稿では, 2つの重要なメラノーマ診断課題,すなわち皮膚病変分割とメラノーマ認識の協調学習に臨床知識を組み込んだ,新しい知識認識深層フレームワークを提案する。 具体的には、メラノーマ識別のための病変領域および周辺領域の形態的表現の知識を活用するために、皮膚病変のセグメンテーションから得られた構造情報をメラノーマ認識に転送する病変ベースのプールと形状抽出(LPSE)方式を設計する。 一方,メラノーマの診断から皮膚病変のセグメンテーションまで,皮膚病変診断の知識をパスするために,DGFF(Danged Feature fusion)戦略が考案されている。 さらに,マスク間協力をさらに促進する再帰的相互学習機構を提案し,皮膚病変のセグメンテーションとメラノーマの認識の両面において,モデルの関節学習能力を反復的に改善する。 2つの公開皮膚病変データセットの実験結果から,メラノーマ解析法の有効性が示された。

関連論文リスト

• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [52.90397538472582]
  SkinGENは、VLMが提供する診断結果から参照デモを生成する、診断から生成までのフレームワークである。 システム性能と説明可能性の両方を評価するために,32人の参加者によるユーザスタディを実施している。 その結果、SkinGENはVLM予測に対するユーザの理解を著しく改善し、診断プロセスへの信頼を高めることが示されている。
  論文  参考訳（メタデータ） (2024-04-23T05:36:33Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review [0.45545745874600063]
  メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。 コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。 本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
  論文  参考訳（メタデータ） (2023-09-01T05:50:47Z)
• A Novel Multi-Task Model Imitating Dermatologists for Accurate Differential Diagnosis of Skin Diseases in Clinical Images [27.546559936765863]
  皮膚科医の診断手順と戦略を模倣して,このギャップを埋めるために,新しいマルチタスクモデルDermImitFormerを提案する。 モデルは、疾患自体に加えて、身体の部分と病変の属性を同時に予測し、診断精度を高め、診断の解釈性を向上させる。
  論文  参考訳（メタデータ） (2023-07-17T08:05:30Z)
• Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning [12.013345715187285]
  メラノーマ(Melanoma)は、発育初期の診断で治療可能な致死性のがんである。 深層学習は、皮膚病変画像を高精度に分類するソリューションとして使用できる。 臨床的に解釈可能な視覚的説明を生成するメラノーマ診断のための説明可能なディープラーニングアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2023-03-26T03:43:05Z)
• Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis [7.371818587876888]
  本研究は,2段階の皮膚病変セグメンテーションの枠組みに焦点をあて,その後に病変解析の分類を行う。 皮膚病変分類のためのエンコーダデコーダアーキテクチャとCNNに基づく分類ネットワークを設計し,深層畳み込みニューラルネットワークアーキテクチャの有効性を検討した。 本手法は, 従来の分類法により, 病変の分類精度が有意に向上した第1種である。
  論文  参考訳（メタデータ） (2023-01-16T01:08:32Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 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)

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。