論文の概要: Leveraging Contextual Data Augmentation for Generalizable Melanoma
Detection
- arxiv url: http://arxiv.org/abs/2212.05116v2
- Date: Mon, 7 Aug 2023 21:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 17:30:52.895885
- Title: Leveraging Contextual Data Augmentation for Generalizable Melanoma
Detection
- Title(参考訳): 広汎化メラノーマ検出のためのコンテクストデータ拡張の活用
- Authors: Nick DiSanto, Gavin Harding, Ethan Martinez, Benjamin Sanders
- Abstract要約: 本稿では,プロの皮膚科学における重要な属性であるモールサイズが,メラノーマの自動検出において誤解を招く可能性があることを論じる。
この実装では、不正なパラメータに過度に適合しないように、さまざまなデータ拡張手順を実行するカスタムモデルを提案する。
- 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 detection has been a valuable deep learning application for
years, its evaluation has often neglected the context in which testing images
are assessed. Traditional melanoma classifiers assume that their testing
environments are comparable to the structured images they are trained on. This
paper challenges this notion and argues that mole size, a critical attribute in
professional dermatology, can be misleading in automated melanoma detection.
While malignant melanomas tend to be larger than benign melanomas, relying
solely on size can be unreliable and even harmful when contextual scaling of
images is not possible. To address this issue, this implementation proposes a
custom model that performs various data augmentation procedures to prevent
overfitting to incorrect parameters and simulate real-world usage of melanoma
detection applications. Multiple custom models employing different forms of
data augmentation are implemented to highlight the most significant features of
mole classifiers. These implementations emphasize the importance of considering
user unpredictability when deploying such applications. The caution required
when manually modifying data is acknowledged, as it can result in data loss and
biased conclusions. Additionally, the significance of data augmentation in both
the dermatology and deep learning communities is considered.
- Abstract(参考訳): 皮膚がん検出は長年にわたって重要な深層学習アプリケーションであるが、その評価はテスト画像の評価の文脈を無視することが多い。
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画像と同等であると仮定している。
本稿ではこの概念に挑戦し、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、メラノーマの自動検出において誤解を招く可能性があると論じる。
悪性黒色腫は良性黒色腫よりも大きい傾向にあるが、画像のコンテキストスケーリングが不可能な場合には、サイズのみに依存することは信頼性が低く、有害である。
本実装では,パラメータの過度な適合を防止し,メラノーマ検出アプリケーションの実環境利用をシミュレートするために,様々なデータ拡張手順を実行するカスタムモデルを提案する。
mole分類器の最も重要な特徴を強調するために、異なる形式のデータ拡張を使用する複数の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デプロイする際にユーザーの予測不能を考慮することの重要性を強調している。
データを手動で修正する場合に必要となる注意は、データ損失とバイアスのある結論をもたらす可能性があるため、認識される。
また,皮膚科と深層学習コミュニティにおけるデータ拡張の重要性も考察した。
関連論文リスト
- 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) - A Patient-Centric Dataset of Images and Metadata for Identifying
Melanomas Using Clinical Context [39.10946113351587]
2020 SIIM-ISIC メラノーマ分類データセットは、以前の課題と臨床実践の相違に対処するために構築された。
このデータセットは、3大陸の患者2,056人で、患者1人あたり平均16の病変がある。
論文 参考訳(メタデータ) (2020-08-07T20:22:23Z) - 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) - 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。