論文の概要: Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification
- arxiv url: http://arxiv.org/abs/2207.12715v1
- Date: Tue, 26 Jul 2022 08:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:18:30.120090
- Title: Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification
- Title（参考訳）: 皮膚病変分類のためのディープラーニングモデルと機械学習モデルとフレームワークの比較
- Authors: Soham Bhosale
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The incidence rate for skin cancer has been steadily increasing throughout
the world, leading to it being a serious issue. Diagnosis at an early stage has
the potential to drastically reduce the harm caused by the disease, however,
the traditional biopsy is a labor-intensive and invasive procedure. In
addition, numerous rural communities do not have easy access to hospitals and
do not prefer visiting one for what they feel might be a minor issue. Using
machine learning and deep learning for skin cancer classification can increase
accessibility and reduce the discomforting procedures involved in the
traditional lesion detection process. These models can be wrapped in web or
mobile apps and serve a greater population. In this paper, two such models are
tested on the benchmark HAM10000 dataset of common skin lesions. They are
Random Forest with Stratified K-Fold Validation, and MobileNetV2 (throughout
the rest of the paper referred to as MobileNet). The MobileNet model was
trained separately using both TensorFlow and PyTorch frameworks. A side-by-side
comparison of both deep learning and machine learning models and a comparison
of the same deep learning model on different frameworks for skin lesion
diagnosis in a resource-constrained mobile environment has not been conducted
before. The results indicate that each of these models fares better at
different classification tasks. For greater overall recall, accuracy, and
detection of malignant melanoma, the TensorFlow MobileNet was the better
choice. However, for detecting noncancerous skin lesions, the PyTorch MobileNet
proved to be better. Random Forest was the better algorithm when it came to
having a low computational cost with moderate correctness.
- Abstract（参考訳）: 皮膚がんの発生率は世界中で着実に増加しており、深刻な問題となっている。
早期の診断は、疾患による被害を大幅に減少させる可能性があるが、従来の生検は労働集約的で侵襲的な方法である。
加えて、多くの農村部では病院へのアクセスが容易ではなく、小さな問題であると考えるものへの訪問を好まない。
機械学習と深層学習を皮膚がん分類に用いることで、アクセシビリティを高め、従来の病変検出プロセスにおける不快な手順を減らすことができる。
これらのモデルは、Webやモバイルアプリにラップして、より人口を増やせる。
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。
それらはRandom Forestで、Stratified K-Fold ValidationとMobileNetV2(MobileNetと呼ばれる他の論文を通して)である。
MobileNetモデルはTensorFlowとPyTorchフレームワークを使用して別々にトレーニングされた。
深層学習モデルと機械学習モデルの比較と、資源制約された移動環境における皮膚病変診断のための異なるフレームワークにおける同一の深層学習モデルの比較は、これまで行われていない。
以上の結果から,各モデルが異なる分類タスクに適していることが示唆された。
全般的なリコール、精度、悪性黒色腫の検出のためには、TensorFlow MobileNetの方がよい選択だった。
しかし,非癌性皮膚病変の検出にはPyTorch MobileNetが有効であった。
ランダムフォレスト(Random Forest)は、適度な正確さで計算コストの低いアルゴリズムであった。
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) - Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。
本稿では,CNNを用いた皮膚病変分類問題について検討する。
本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
論文 参考訳（メタデータ） (2024-04-01T15:06:20Z) - 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) - 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) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - 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) - Improving Lesion Detection by exploring bias on Skin Lesion dataset [0.0]
ISIC Archiveは、ディープラーニングベースのツールをベンチマークするのに最も使用される皮膚病変ソースの1つである。
深層学習モデルは、入力データに臨床的に意味のある情報を持たずに皮膚病変画像を分類することができる。
長方形境界箱型マスクの代わりに形状保存マスクを生成する実験を行った。
論文 参考訳（メタデータ） (2020-10-04T05:04:58Z) - 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)
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。