論文の概要: Eliminating Mole Size in Melanoma Classification
- arxiv url: http://arxiv.org/abs/2212.05116v1
- Date: Fri, 9 Dec 2022 20:45:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 17:50:26.413948
- Title: Eliminating Mole Size in Melanoma Classification
- Title(参考訳): メラノーマ分類におけるモルサイズ除去
- Authors: Nick DiSanto, Gavin Harding, Ethan Martinez, Benjamin Sanders
- Abstract要約: 本論文は, プロの皮膚科における重要な属性であるモールサイズが, 自動メラノーマ検出におけるレッドハーリングであると主張している。
皮膚科と深層学習の両コミュニティにおいて,モイルサイズの不整合とその意義について論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While skin cancer classification has been a popular and valuable deep
learning application for years, there has been little consideration of the
context in which testing images are taken. Traditional melanoma classifiers
rely on the assumption that their testing environments are analogous to the
structured images on which they are trained. This paper combats this notion,
arguing that mole size, a vital attribute in professional dermatology, is a red
herring in automated melanoma detection. Although malignant melanomas are
consistently larger than benign melanomas, this distinction proves unreliable
and harmful when images cannot be contextually scaled. This implementation
builds a custom model that eliminates size as a training feature to prevent
overfitting to incorrect parameters. Additionally, random rotation and contrast
augmentations are performed to simulate the real-world use of melanoma
detection applications. Several custom models with varying forms of data
augmentation are implemented to demonstrate the most significant features of
the generalization abilities of mole classifiers. These implementations show
that user unpredictability is crucial when utilizing such applications. The
caution required when manually modifying data is acknowledged, as data loss and
biased conclusions are necessary considerations in this process. Additionally,
mole size inconsistency and its significance are discussed in both the
dermatology and deep learning communities.
- Abstract(参考訳): 皮膚がんの分類は、長年にわたって人気があり貴重なディープラーニングアプリケーションであったが、テスト画像が取られる状況についてはほとんど考慮されていない。
従来のメラノーマ分類器は、テスト環境がトレーニングされた構造化イメージに類似しているという仮定に依存している。
本論文は, 皮膚科における重要な特徴であるモグラの大きさは, 自動メラノーマ検出における赤いニシンであると主張し, この概念に反論する。
悪性黒色腫は良性黒色腫より一貫して大きいが、画像が文脈的に拡大できない場合には信頼性が低く有害である。
この実装は、不正確なパラメータへの過剰フィットを防ぐためにトレーニング機能としてのサイズをなくすカスタムモデルを構築している。
さらに、メラノーマ検出アプリケーションの実世界の使用をシミュレートするためにランダム回転とコントラスト増強を行う。
mole分類器の一般化能力の最も重要な特徴を実証するために、様々な種類のデータ拡張形式を持つカスタムモデルが実装されている。
これらの実装は、そのようなアプリケーションを利用する場合、ユーザの予測不能が重要であることを示している。
このプロセスではデータ損失と偏りのある結論が不可欠であるため、手動でデータ修正を行う際に必要となる注意が必要である。
さらに,皮膚科と深層学習のコミュニティにおいて,モルサイズ不整合とその意義について論じた。
関連論文リスト
- Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。
顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。
ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。
その結果, 従来の手法に比べて, モデルが大幅に改善された。
論文 参考訳(メタデータ) (2024-06-19T11:07:55Z) - Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では,治療効果推定の因果推論課題について考察する。
ランダム化比較試験において,高次元画像として記録される2値効果を仮定する。
最先端のビジュアルバックボーンから微調整された6つの480モデルを比較した。
その結果,サンプリングとモデリングの選択が因果推定の精度に大きく影響していることが判明した。
論文 参考訳(メタデータ) (2024-05-27T13:26:34Z) - 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) - Application of Machine Learning in Melanoma Detection and the
Identification of 'Ugly Duckling' and Suspicious Naevi: A Review [0.45545745874600063]
メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。
コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。
本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
論文 参考訳(メタデータ) (2023-09-01T05:50:47Z) - 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) - Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional
Network to Learn from the Lesion [0.9143713488498512]
EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。
モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。
実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
論文 参考訳(メタデータ) (2023-05-16T15:34:12Z) - Classification of Melanocytic Nevus Images using BigTransfer (BiT) [0.0]
メラノーマ性ネビは成熟し、致命的な黒色腫を引き起こす。
現在の管理プロトコルでは、脅迫的に見えるネビを除去する。
早期診断はメラノサイトネビ分類のための信頼性の高い自動化システムを必要とする。
論文 参考訳(メタデータ) (2022-11-21T21:53:43Z) - Efficient Out-of-Distribution Detection of Melanoma with Wavelet-based
Normalizing Flows [22.335623464185105]
メラノーマは皮膚がんの重篤な形態であり、後期の死亡率が高い。
データセットは非常に不均衡であり、最先端の教師付きAIモデルのトレーニングを複雑にします。
本稿では, 生成モデルを用いて良性データ分布を学習し, 密度推定による悪性画像の検出を提案する。
論文 参考訳(メタデータ) (2022-08-09T09:57:56Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳(メタデータ) (2021-04-07T17:11:27Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳(メタデータ) (2020-03-23T01:26:36Z)
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。