論文の概要: Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer
Classification using ISIC 2017 Dataset
- arxiv url: http://arxiv.org/abs/2110.12270v1
- Date: Sat, 23 Oct 2021 18:18:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 15:08:16.376930
- Title: Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer
Classification using ISIC 2017 Dataset
- Title(参考訳): ISIC 2017データセットを用いた皮膚癌分類のための軽量ディープラーニングアーキテクチャのベンチマーク
- Authors: Abdurrahim Yilmaz, Mucahit Kalebasi, Yegor Samoylenko, Mehmet Erhan
Guvenilir, Huseyin Uvet
- Abstract要約: 16個のバッチサイズを持つNASNetMobileモデルは、最高の結果を得た。
本手法では,パラメータの少ないモバイルディープラーニングモデルをベンチマークし,モデルの結果を比較する。
- 参考スコア(独自算出の注目度): 0.4724825031148411
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Skin cancer is one of the deadly types of cancer and is common in the world.
Recently, there has been a huge jump in the rate of people getting skin cancer.
For this reason, the number of studies on skin cancer classification with deep
learning are increasing day by day. For the growth of work in this area, the
International Skin Imaging Collaboration (ISIC) organization was established
and they created an open dataset archive. In this study, images were taken from
ISIC 2017 Challenge. The skin cancer images taken were preprocessed and data
augmented. Later, these images were trained with transfer learning and
fine-tuning approach and deep learning models were created in this way. 3
different mobile deep learning models and 3 different batch size values were
determined for each, and a total of 9 models were created. Among these models,
the NASNetMobile model with 16 batch size got the best result. The accuracy
value of this model is 82.00%, the precision value is 81.77% and the F1 score
value is 0.8038. Our method is to benchmark mobile deep learning models which
have few parameters and compare the results of the models.
- Abstract(参考訳): 皮膚がんは致命的ながんの1つであり、世界でも一般的である。
最近、皮膚がんに罹患する人の数が急増している。
そのため、深層学習による皮膚がん分類に関する研究は日々増えている。
この領域での作業の成長のために、ISIC(International Skin Imaging Collaboration)組織が設立され、オープンデータセットアーカイブを作成した。
この研究は、isic 2017 challengeの画像から得られたものである。
皮膚がんの画像は前処理され、データは拡張された。
その後、これらの画像は転写学習と微調整アプローチで訓練され、この方法で深層学習モデルが作成された。
3つの異なるモバイルディープラーニングモデルと3つの異なるバッチサイズ値がそれぞれ決定され、合計9つのモデルが作成された。
これらのモデルの中で、NASNetMobileモデルは16バッチサイズで最高の結果を得た。
このモデルの精度値は82.00%、精度は81.77%、F1スコア値は0.8038である。
本手法では,パラメータの少ないモバイルディープラーニングモデルをベンチマークし,モデルの結果を比較する。
関連論文リスト
- Less Could Be Better: Parameter-efficient Fine-tuning Advances Medical
Vision Foundation Models [71.18275399694689]
医療視基盤モデルにおけるPEFTの有効性はまだ不明である。
NIH ChestX-ray14のラベル付きデータを用いたAUROCスコアの80.6%など,さまざまなデータ効率の学習タスクに対して,新たな最先端技術を構築した。
本研究は, PEFTを用いた医用画像の伝達学習において, コミュニティの注目を集めることが期待できる。
論文 参考訳(メタデータ) (2024-01-22T18:59:07Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network [2.4469484645516837]
本稿では,異なる種類の皮膚病変を正確に同定するコンピュータによる深層学習手法を提案する。
ディープラーニングアプローチは、モデルが画像の各ピクセルを学習するため、皮膚がんを極めて正確に検出することができる。
いくつかのディープラーニングモデルには制限があり、モデルが偽陽性の結果に導かれる。
論文 参考訳(メタデータ) (2023-03-13T23:16:18Z) - Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification [0.0]
機械学習とディープラーニングを使って皮膚がんの分類を行うと、アクセシビリティが向上し、従来の病変検出プロセスにおける不快な手順が軽減される。
本稿では、一般的な皮膚病変のベンチマークHAM10000データセットを用いて、2つのモデルをテストする。
資源制約のある移動環境において,皮膚病変診断のための異なるフレームワーク上での深層学習モデルと同一の深層学習モデルの比較は,これまで行われなかった。
論文 参考訳(メタデータ) (2022-07-26T08:07:33Z) - 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) - 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) - Peer Learning for Skin Lesion Classification [53.425900196763756]
皮膚がんは世界で最も致命的ながんの1つである。
近年の深層学習法は皮膚がんの分類において皮膚科医レベルの性能を示した。
FedPerlは半教師付きフェデレーション学習方法です。
論文 参考訳(メタデータ) (2021-03-05T14:26:15Z) - 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) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳(メタデータ) (2020-11-15T14:01:24Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - 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)
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。