論文の概要: Siamese Neural Networks for Skin Cancer Classification and New Class
Detection using Clinical and Dermoscopic Image Datasets
- arxiv url: http://arxiv.org/abs/2212.06130v1
- Date: Mon, 12 Dec 2022 18:58:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 17:05:08.908612
- Title: Siamese Neural Networks for Skin Cancer Classification and New Class
Detection using Clinical and Dermoscopic Image Datasets
- Title（参考訳）: 皮膚癌分類のためのシームズニューラルネットワークと臨床および皮膚内視鏡画像データセットを用いた新しいクラス検出
- Authors: Michael Luke Battle, Amir Atapour-Abarghouei, Andrew Stephen McGough
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.83420384410068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin cancer is the most common malignancy in the world. Automated skin cancer
detection would significantly improve early detection rates and prevent deaths.
To help with this aim, a number of datasets have been released which can be
used to train Deep Learning systems - these have produced impressive results
for classification. However, this only works for the classes they are trained
on whilst they are incapable of identifying skin lesions from previously unseen
classes, making them unconducive for clinical use. We could look to massively
increase the datasets by including all possible skin lesions, though this would
always leave out some classes. Instead, we evaluate Siamese Neural Networks
(SNNs), which not only allows us to classify images of skin lesions, but also
allow us to identify those images which are different from the trained classes
- allowing us to determine that an image is not an example of our training
classes. We evaluate SNNs on both dermoscopic and clinical images of skin
lesions. We obtain top-1 classification accuracy levels of 74.33% and 85.61% on
clinical and dermoscopic datasets, respectively. Although this is slightly
lower than the state-of-the-art results, the SNN approach has the advantage
that it can detect out-of-class examples. Our results highlight the potential
of an SNN approach as well as pathways towards future clinical deployment.
- Abstract（参考訳）: 皮膚がんは世界でもっとも一般的な悪性腫瘍である。
自動皮膚がん検出は早期発見率を大幅に改善し、死亡を防ぐ。
この目的を達成するために、ディープラーニングシステムのトレーニングに使用できる多くのデータセットがリリースされた。
しかし、これはトレーニング対象のクラスでのみ有効であり、これまで見つからなかったクラスから皮膚の病変を識別できないため、臨床使用には適さない。
私たちは、すべての皮膚病変を含むことでデータセットを大幅に増やすことを検討できますが、これは常にいくつかのクラスを除外します。
代わりに、SNN(Siamese Neural Networks)を評価し、皮膚病変の画像の分類を可能にするだけでなく、トレーニングされたクラスとは異なるイメージを識別することが可能になる。
皮膚病変の皮膚内視鏡像と臨床像でSNNを評価した。
臨床データと皮膚内視鏡データからtop-1分類精度の74.33%と85.61%を得た。
これは最先端の結果よりもわずかに低いが、SNNアプローチはクラス外例を検出するという利点がある。
本研究はSNNアプローチの可能性と今後の臨床展開への道筋を明らかにするものである。
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) - 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) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - HierAttn: Effectively Learn Representations from Stage Attention and
Branch Attention for Skin Lesions Diagnosis [18.026088450803258]
皮膚がんの早期診断と治療には, 皮膚病変の正確な非バイアス検査が重要である。
最近の研究では、画像の早期診断のための分類のために、アンサンブル畳み込みニューラルネットワーク(CNN)が開発されている。
階層型および自己注意型ニューラルネットワークであるHierAttnを紹介する。
論文 参考訳（メタデータ） (2022-05-09T14:30:34Z) - Classification of Skin Cancer Images using Convolutional Neural Networks [0.0]
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。
論文 参考訳（メタデータ） (2022-02-01T17:11:41Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - 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) - 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。