論文の概要: Classification of Skin Cancer Images using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2202.00678v1
- Date: Tue, 1 Feb 2022 17:11:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 14:21:05.974936
- Title: Classification of Skin Cancer Images using Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた皮膚癌画像の分類
- Authors: Kartikeya Agarwal, Tismeet Singh
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skin cancer is the most common human malignancy(American Cancer Society)
which is primarily diagnosed visually, starting with an initial clinical
screening and followed potentially by dermoscopic(related to skin) analysis, a
biopsy and histopathological examination. Skin cancer occurs when errors
(mutations) occur in the DNA of skin cells. The mutations cause the cells to
grow out of control and form a mass of cancer cells. The aim of this study was
to try to classify images of skin lesions with the help of convolutional neural
networks. The deep neural networks show humongous potential for image
classification while taking into account the large variability exhibited by the
environment. Here we trained images based on the pixel values and classified
them on the basis of disease labels. The dataset was acquired from an Open
Source Kaggle Repository(Kaggle Dataset)which itself was acquired from
ISIC(International Skin Imaging Collaboration) Archive. The training was
performed on multiple models accompanied with Transfer Learning. The highest
model accuracy achieved was over 86.65%. The dataset used is publicly available
to ensure credibility and reproducibility of the aforementioned result.
- Abstract(参考訳): 皮膚がんは最も一般的なヒト悪性腫瘍(American Cancer Society)であり、主に視覚的に診断され、初期臨床検査から始まり、皮膚内視鏡検査、生検、病理組織検査が続く可能性がある。
皮膚がんは、皮膚細胞のDNAにエラー(突然変異)が発生したときに起こる。
この変異により、細胞は制御不能に成長し、がん細胞の塊を形成する。
本研究の目的は,畳み込みニューラルネットワークを用いて皮膚病変の画像の分類を行うことである。
深層ニューラルネットワークは、環境によって示される大きな変動を考慮した画像分類の可能性を示す。
ここではピクセル値に基づいて画像を訓練し,疾患ラベルに基づいて分類した。
データセットは、ISIC(International Skin Imaging Collaboration) Archiveから取得したオープンソースKaggle Repository(Kaggle Dataset)から取得された。
トレーニングは、転送学習を伴う複数のモデルで実施された。
最も高いモデル精度は86.65%以上であった。
使用するデータセットは、前述の結果の信頼性と再現性を保証するために公開されている。
関連論文リスト
- 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) - 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) - Siamese Neural Networks for Skin Cancer Classification and New Class
Detection using Clinical and Dermoscopic Image Datasets [4.83420384410068]
皮膚病変の画像と臨床像の両面からSNN(Siamese Neural Networks)を評価した。
SNNは皮膚病変の画像の分類を可能にするだけでなく、訓練されたクラスとは異なる画像の識別も可能にする。
臨床および皮膚内視鏡的データセットにおいて、トップ-1分類精度は74.33%、85.61%である。
論文 参考訳(メタデータ) (2022-12-12T18:58:43Z) - 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) - 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) - 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) - Detector-SegMentor Network for Skin Lesion Localization and Segmentation [0.0]
メラノーマ(Melanoma)は、早期に未診断となった皮膚がんの一種である。
本稿では,ネットワーク・イン・ネットワーク・コンボリューション・ニューラルネットワークによる皮膚病変のセグメンテーションを提案する。
論文 参考訳(メタデータ) (2020-05-13T19:41:27Z) - 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。