論文の概要: Melatect: A Machine Learning Model Approach For Identifying Malignant Melanoma in Skin Growths

• arxiv url: http://arxiv.org/abs/2109.03310v1
• Date: Tue, 7 Sep 2021 20:05:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 08:11:19.036304
• Title: Melatect: A Machine Learning Model Approach For Identifying Malignant Melanoma in Skin Growths
• Title（参考訳）: Melatect:皮膚成長における悪性黒色腫の同定のための機械学習モデルアプローチ
• Authors: Vidushi Meel and Asritha Bodepudi
• Abstract要約: 悪性黒色腫(英: Malignant melanoma)は、転移前に悪性黒色腫が元の部位から離れた臓器で発生する一般的な皮膚がんである。 本稿では悪性黒色腫を同定する機械学習モデルであるMelatectを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malignant melanoma is a common skin cancer that is mostly curable before metastasis, where melanoma growths spawn in organs away from the original site. Melanoma is the most dangerous type of skin cancer if left untreated due to the high chance of metastasis. This paper presents Melatect, a machine learning model that identifies potential malignant melanoma. A recursive computer image analysis algorithm was used to create a machine learning model which is capable of detecting likely melanoma. The comparison is performed using 20,000 raw images of benign and malignant lesions from the International Skin Imaging Collaboration (ISIC) archive that were augmented to 60,000 images. Tests of the algorithm using subsets of the ISIC images suggest it accurately classifies lesions as malignant or benign over 95% of the time with no apparent bias or overfitting. The Melatect iOS app was later created (unpublished), in which the machine learning model was embedded. With the app, users have the ability to take pictures of skin lesions (moles) using the app, which are then processed through the machine learning model, and users are notified whether their lesion could be abnormal or not. Melatect provides a convenient way to get free advice on lesions and track these lesions over time.
• Abstract（参考訳）: 悪性黒色腫(英: Malignant melanoma)は、転移前に悪性黒色腫が元の部位から離れた臓器で発生する皮膚がんである。 悪性黒色腫は転移のリスクが高いため、未治療の皮膚癌としては最も危険である。 本稿では悪性黒色腫を同定する機械学習モデルであるMelatectを提案する。 再帰的なコンピュータ画像解析アルゴリズムを使用して、おそらくメラノーマを検出することができる機械学習モデルを作成した。 国際皮膚画像コラボレーション(ISIC)アーカイブから得られた良性病変と悪性病変の生画像20,000枚を用いて比較を行った。 ISIC画像のサブセットを用いたアルゴリズムのテストでは、病変を95%以上の悪性または良性と正確に分類し、明らかなバイアスや過剰適合を伴わないことが示唆されている。 Melatect iOSアプリは後に作成され(未公開)、機械学習モデルが埋め込まれた。 このアプリでは、ユーザーはアプリを使って皮膚病変(moles)の写真を撮ることができ、それを機械学習モデルで処理し、その病変が異常であるかどうかをユーザーに通知する。 Melatectは、病変に対する無料のアドバイスを得るための便利な方法を提供し、時間をかけてこれらの病変を追跡する。

関連論文リスト

• A Comparative Analysis Towards Melanoma Classification Using Transfer Learning by Analyzing Dermoscopic Images [0.0]
  本稿では,皮膚病変の分類と診断を可能にするために,深層学習技術と確立された転写学習手法を組み合わせたシステムを提案する。 研究者たちは'Deep Learning'テクニックを使って、膨大な数の写真を訓練し、基本的には期待される結果を得る。 DenseNetは、96.64%のバリデーション精度、9.43%のバリデーション損失、99.63%のテストセット精度など、他のものよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-02T19:46:48Z)
• Detection and Localization of Melanoma Skin Cancer in Histopathological Whole Slide Images [1.0962389869127878]
  皮膚がんの発生が予想される増加と皮膚病理学者の足跡は、計算病理学(CPATH)システムの必要性を強調している。 本論文は,WSI(Whole Slide Images)における悪性黒色腫の検出と正常皮膚と良性悪性黒色腫病変の鑑別のためのDL法を提案する。 本手法は, 病変を高精度に検出し, 病理医の関心領域を特定するためにWSI上に局在する。
  論文  参考訳（メタデータ） (2023-02-06T18:54:14Z)
• Classification of Melanocytic Nevus Images using BigTransfer (BiT) [0.0]
  メラノーマ性ネビは成熟し、致命的な黒色腫を引き起こす。 現在の管理プロトコルでは、脅迫的に見えるネビを除去する。 早期診断はメラノサイトネビ分類のための信頼性の高い自動化システムを必要とする。
  論文  参考訳（メタデータ） (2022-11-21T21:53:43Z)
• Multiple EffNet/ResNet Architectures for Melanoma Classification [3.047409448159345]
  メラノーマは最も悪性の皮膚腫瘍であり、通常は正常なモルから発生する。 EffNetとResnetに基づくメラノーマ分類モデルを提案する。 当モデルでは, 同一患者の画像だけでなく, 患者レベルの文脈情報も活用し, がんの予測精度の向上を図る。
  論文  参考訳（メタデータ） (2022-04-21T14:46:55Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Method to Classify Skin Lesions using Dermoscopic images [0.0]
  皮膚がんは、がん患者の3分の1を構成する既存の世界でもっとも一般的ながんである。 そこで本研究では,CNN(Convolution Neural Networks)をトレーニングモデルとして,皮膚画像を用いた皮膚病変の自動分類モデルを開発した。 このモデルが達成できる最良の精度は0.886である。
  論文  参考訳（メタデータ） (2020-08-21T10:58:33Z)
• 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)
• 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)
• Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
  ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。 放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。 また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
  論文  参考訳（メタデータ） (2020-03-23T01:26:36Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。