論文の概要: Monkeypox Skin Lesion Detection Using Deep Learning Models: A
Feasibility Study
- arxiv url: http://arxiv.org/abs/2207.03342v1
- Date: Wed, 6 Jul 2022 09:09:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 07:41:38.844404
- Title: Monkeypox Skin Lesion Detection Using Deep Learning Models: A
Feasibility Study
- Title(参考訳): 深層学習モデルを用いたサルポックス皮膚病変検出の可能性
- Authors: Shams Nafisa Ali, Md. Tazuddin Ahmed, Joydip Paul, Tasnim Jahan, S. M.
Sakeef Sani, Nawsabah Noor, Taufiq Hasan
- Abstract要約: 最近のサルポックスの流行は、アフリカ以外の40カ国で急速に拡大しているため、公衆衛生上の問題となっている。
サルポックス病変のコンピュータによる検出は, 疑われる症例の迅速同定と監視に有用であると考えられた。
深層学習法は皮膚病変の自動検出に有効である。
- 参考スコア(独自算出の注目度): 1.9395755884693817
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The recent monkeypox outbreak has become a public health concern due to its
rapid spread in more than 40 countries outside Africa. Clinical diagnosis of
monkeypox in an early stage is challenging due to its similarity with
chickenpox and measles. In cases where the confirmatory Polymerase Chain
Reaction (PCR) tests are not readily available, computer-assisted detection of
monkeypox lesions could be beneficial for surveillance and rapid identification
of suspected cases. Deep learning methods have been found effective in the
automated detection of skin lesions, provided that sufficient training examples
are available. However, as of now, such datasets are not available for the
monkeypox disease. In the current study, we first develop the ``Monkeypox Skin
Lesion Dataset (MSLD)" consisting skin lesion images of monkeypox, chickenpox,
and measles. The images are mainly collected from websites, news portals, and
publicly accessible case reports. Data augmentation is used to increase the
sample size, and a 3-fold cross-validation experiment is set up. In the next
step, several pre-trained deep learning models, namely, VGG-16, ResNet50, and
InceptionV3 are employed to classify monkeypox and other diseases. An ensemble
of the three models is also developed. ResNet50 achieves the best overall
accuracy of $82.96(\pm4.57\%)$, while VGG16 and the ensemble system achieved
accuracies of $81.48(\pm6.87\%)$ and $79.26(\pm1.05\%)$, respectively. A
prototype web-application is also developed as an online monkeypox screening
tool. While the initial results on this limited dataset are promising, a larger
demographically diverse dataset is required to further enhance the
generalizability of these models.
- Abstract(参考訳): 最近のサルポックスの流行は、アフリカ以外の40カ国以上で急速に拡大したため、公衆衛生上の懸念となっている。
早期のモンキーポックスの臨床診断はニワトリポックスと麻疹との類似性から困難である。
PCR検査が手に入らない場合、サルポックス病変のコンピュータ支援による検出は、疑われる症例の監視と迅速同定に有用である可能性がある。
十分なトレーニング例が得られれば,皮膚病変の自動検出に深層学習法が有効であることが判明している。
しかし、現在ではサルポックス病ではそのようなデータセットは利用できない。
本研究では,まず,サルポックス,ニワトリポックス,麻疹の皮膚病変画像からなる『サルポックス皮膚病変データセット』(msld)を開発した。
画像は主にウェブサイト、ニュースポータル、そして一般にアクセス可能なケースレポートから収集される。
データ拡張はサンプルサイズを増やすために使用され、3倍のクロスバリデーション実験が設定される。
次のステップでは、サルポックスや他の病気を分類するために、VGG-16、ResNet50、InceptionV3といった事前訓練されたディープラーニングモデルが使用される。
3つのモデルのアンサンブルも開発されている。
resnet50は最高精度が$2.96(\pm4.57\%)、vgg16とアンサンブルシステムは$81.48(\pm6.87\%)、$79.26(\pm1.05\%)である。
プロトタイプのウェブアプリケーションもオンラインサルポックススクリーニングツールとして開発されている。
この制限付きデータセットの最初の結果は有望だが、これらのモデルの一般化性をさらに高めるには、人口統計学的に多様なデータセットが必要である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - Attention Based Feature Fusion Network for Monkeypox Skin Lesion Detection [0.09642500063568188]
最近のサルポックスの流行は公衆衛生に重大な懸念をもたらしている。
深層学習アルゴリズムは、新型コロナウイルス(COVID-19)を含む病気の特定に利用できる。
本稿では,ヒトサルポックス病を分類するために,事前学習した2つのアーキテクチャをマージする軽量モデルを提案する。
論文 参考訳(メタデータ) (2024-08-13T05:21:03Z) - MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models [0.7628351525795085]
本研究は,サルポックス病変の早期発見と分類を容易にするため,MpoxSLDNet(Monkeypox Skin Lesion Detector Network)を提案する。
MpoxSLDNetは、VGG16、ResNet50、DenseNet121といった従来のトレーニング済みモデルと比較して、精度、リコール、F1スコア、精度、AUCなどの優れたパフォーマンス指標を提供する。
検証精度は86.25%、84.38%、VGG16、DenseNet121、ResNet50の67.19%に対して94.56%に達した。
論文 参考訳(メタデータ) (2024-05-31T17:05:59Z) - Monkeypox disease recognition model based on improved SE-InceptionV3 [0.0]
本研究はSE-InceptionV3モデルを改良し,SENetモジュールを組み込み,インセプションV3フレームワークにL2正規化を組み込むことでサルポックス病の検出を向上する。
本モデルは,テストセットにおいて96.71%の精度を示し,従来の手法やディープラーニングモデルよりも優れていた。
論文 参考訳(メタデータ) (2024-03-15T08:01:44Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - A Web-based Mpox Skin Lesion Detection System Using State-of-the-art
Deep Learning Models Considering Racial Diversity [1.846958522363092]
以前は「モンキーポックス」と呼ばれていた「ムポックス」は、公衆衛生上重要な問題となり、世界中で110か国以上に広まっている。
ポリメラーゼ連鎖反応(PCR)に基づく診断がすぐには利用できない場合に、コンピュータ支援スクリーニングツールが有用であることが証明されている。
深層学習法は複雑なデータ表現を学習する上で強力であるが、その有効性は主に適切なトレーニングデータに依存している。
論文 参考訳(メタデータ) (2023-06-25T08:23:44Z) - Image Data collection and implementation of deep learning-based model in
detecting Monkeypox disease using modified VGG16 [0.0]
新たに開発された"Monkeypox2022"データセットを紹介します。
研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。
検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
論文 参考訳(メタデータ) (2022-06-04T00:34:15Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳(メタデータ) (2021-10-17T09:31:20Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。