論文の概要: DenseNet approach to segmentation and classification of dermatoscopic
skin lesions images
- arxiv url: http://arxiv.org/abs/2110.04632v1
- Date: Sat, 9 Oct 2021 19:12:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-16 21:45:05.122601
- Title: DenseNet approach to segmentation and classification of dermatoscopic
skin lesions images
- Title（参考訳）: 皮膚皮膚皮膚病変画像の分節化と分類に対するdrknetアプローチ
- Authors: Reza Zare and Arash Pourkazemi
- Abstract要約: 本稿では,2つのアーキテクチャを用いた皮膚病変の分類と分類の改善手法を提案する。
U-NetとDenseNet121の組み合わせは、皮膚内視鏡画像解析において許容できる結果を提供する。
DenseNet121ネットワークでは、それぞれ79.49%と93.11%の精度で癌と非癌サンプルが検出された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: At present, cancer is one of the most important health issues in the world.
Because early detection and appropriate treatment in cancer are very effective
in the recovery and survival of patients, image processing as a diagnostic tool
can help doctors to diagnose in the first recognition of cancer. One of the
most important steps in diagnosing a skin lesion is to automatically detect the
border of the skin image because the accuracy of the next steps depends on it.
If these subtleties are identified, they can have a great impact on the
diagnosis of the disease. Therefore, there is a good opportunity to develop
more accurate algorithms to analyze such images. This paper proposes an
improved method for segmentation and classification for skin lesions using two
architectures, the U-Net for image segmentation and the DenseNet121 for image
classification which have excellent accuracy. We tested the segmentation
architecture of our model on the ISIC-2018 dataset and the classification on
the HAM10000 dataset. Our results show that the combination of U-Net and
DenseNet121 architectures provides acceptable results in dermatoscopic image
analysis compared to previous research. Another classification examined in this
study is cancerous and non-cancerous samples. In this classification, cancerous
and non-cancerous samples were detected in DenseNet121 network with 79.49% and
93.11% accuracy respectively.
- Abstract（参考訳）: 現在、がんは世界で最も重要な健康上の問題の1つです。
早期発見とがんの適切な治療は患者の回復と生存に非常に有効であるため、診断ツールとしての画像処理は、がんの最初の認識において医師の診断に役立つ。
皮膚病変の診断における最も重要なステップの1つは、次のステップの精度がそれに依存するため、皮膚画像の境界を自動的に検出することである。
これらの微妙さが特定できれば、病気の診断に大きな影響を与える可能性がある。
したがって、そのような画像を分析するためのより正確なアルゴリズムを開発する良い機会がある。
本稿では, 画像分割のためのU-Netと画像分類のためのDenseNet121の2つのアーキテクチャを用いて, 皮膚病変のセグメンテーションと分類の改善手法を提案する。
我々はISIC-2018データセットでモデルのセグメンテーションアーキテクチャを検証し,HAM10000データセットで分類した。
以上の結果から,U-NetとDenseNet121アーキテクチャの組み合わせは,従来の研究と比較して皮膚画像解析において許容できる結果であることがわかった。
本研究で調べたもう1つの分類は癌および非癌サンプルである。
この分類では、癌サンプルと非癌サンプルが、それぞれ79.49%と93.11%の精度でDenseNet121ネットワークで検出された。
関連論文リスト
- Skin Cancer Segmentation and Classification Using Vision Transformer for
Automatic Analysis in Dermatoscopy-based Non-invasive Digital System [0.0]
本研究では,Vision Transformerを用いた皮膚癌分類における画期的なアプローチを提案する。
Vision Transformerは、多様な画像解析タスクの成功で有名な最先端のディープラーニングアーキテクチャである。
Segment Anything Modelは、癌領域の正確なセグメンテーションを支援し、高いIOUとDice Coefficientを達成する。
論文 参考訳（メタデータ） (2024-01-09T11:22:54Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。
モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。
このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
論文 参考訳（メタデータ） (2023-05-18T17:15:08Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。
本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文 参考訳（メタデータ） (2022-07-20T06:49:02Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2020-11-13T16:04:39Z) - Investigating and Exploiting Image Resolution for Transfer
Learning-based Skin Lesion Classification [3.110738188734789]
CNNは皮膚病変の分類に有効であることが示されている。
本稿では,入力画像サイズが細調整CNNの皮膚病変分類性能に及ぼす影響について検討する。
以上の結果から,64×64ピクセルの非常に小さな画像を用いて分類性能を低下させる一方,128×128ピクセルの画像では画像サイズが大きくなり,分類精度がわずかに向上した。
論文 参考訳（メタデータ） (2020-06-25T21:51:24Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。