論文の概要: Hair and Scalp Disease Detection using Machine Learning and Image
Processing
- arxiv url: http://arxiv.org/abs/2301.00122v1
- Date: Sat, 31 Dec 2022 04:45:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 14:18:52.560155
- Title: Hair and Scalp Disease Detection using Machine Learning and Image
Processing
- Title(参考訳): 機械学習と画像処理を用いた毛髪・頭皮疾患検出
- Authors: Mrinmoy Roy, Anica Tasnim Protity
- Abstract要約: 約8000万人のアメリカ人が、老化、ストレス、薬物、遺伝性化粧などによる毛髪の喪失に悩まされている。
深層学習による髪の喪失と頭皮関連疾患 (alopecia, psoriasis, folliculitis) の予測に成功している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Almost 80 million Americans suffer from hair loss due to aging, stress,
medication, or genetic makeup. Hair and scalp-related diseases often go
unnoticed in the beginning. Sometimes, a patient cannot differentiate between
hair loss and regular hair fall. Diagnosing hair-related diseases is
time-consuming as it requires professional dermatologists to perform visual and
medical tests. Because of that, the overall diagnosis gets delayed, which
worsens the severity of the illness. Due to the image-processing ability,
neural network-based applications are used in various sectors, especially
healthcare and health informatics, to predict deadly diseases like cancers and
tumors. These applications assist clinicians and patients and provide an
initial insight into early-stage symptoms. In this study, we used a deep
learning approach that successfully predicts three main types of hair loss and
scalp-related diseases: alopecia, psoriasis, and folliculitis. However, limited
study in this area, unavailability of a proper dataset, and degree of variety
among the images scattered over the internet made the task challenging. 150
images were obtained from various sources and then preprocessed by denoising,
image equalization, enhancement, and data balancing, thereby minimizing the
error rate. After feeding the processed data into the 2D convolutional neural
network (CNN) model, we obtained overall training accuracy of 96.2%, with a
validation accuracy of 91.1%. The precision and recall score of alopecia,
psoriasis, and folliculitis are 0.895, 0.846, and 1.0, respectively. We also
created a dataset of the scalp images for future prospective researchers.
- Abstract(参考訳): 約8000万人のアメリカ人が老化、ストレス、薬物、遺伝子組換えなどによって髪の喪失に苦しんでいる。
毛髪と頭皮関連疾患は、初めは気づかないことが多い。
時々、患者は髪の喪失と通常の髪の落下を区別できない。
専門の皮膚科医が視覚および医療検査を行う必要があるため、毛髪関連疾患の診断には時間がかかる。
そのため、全体的な診断が遅れ、病気の重症度が悪化する。
画像処理能力のため、ニューラルネットワークベースのアプリケーションは、がんや腫瘍などの致命的な病気を予測するために、様々な分野、特に医療や健康情報学で使用されている。
これらの応用は臨床医や患者を助け、初期症状に関する最初の洞察を提供する。
本研究では,毛髪喪失と頭皮関連疾患の3つの主型(脱毛症,乾尿症,卵胞炎)を予測できるディープラーニングを用いた。
しかし、この領域での限られた研究、適切なデータセットの有効性、インターネット上に散在する画像の多様性の程度が課題となった。
様々なソースから150の画像を取得し,画像の等化,拡張,データバランスをプリプロセスし,誤り率を最小化した。
処理したデータを2D畳み込みニューラルネットワーク(CNN)モデルに入力した後、総合トレーニング精度96.2%、検証精度91.1%を得た。
アロペシア,乾皮症,卵胞炎は,それぞれ0.895,0.846,1.0であった。
また,今後の研究者のために頭皮画像のデータセットを作成した。
関連論文リスト
- 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) - Diagnosis of Scalp Disorders using Machine Learning and Deep Learning
Approach -- A Review [0.0]
Dandruff、Psoriasis、Tinea-Capitis、Alopecia、Atopic-Dermatitisなどの頭皮障害を経験することは一般的である。
深層学習の進歩は、頭皮と皮膚障害の診断におけるCNNとFCNの併用の有効性を示した。
論文 参考訳(メタデータ) (2023-08-14T10:23:25Z) - Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。
モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。
このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
論文 参考訳(メタデータ) (2023-05-18T17:15:08Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳(メタデータ) (2023-02-23T09:22:05Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - 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) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - Automatic Detection and Classification of Tick-borne Skin Lesions using
Deep Learning [7.6146285961466]
この研究は、さまざまな畳み込みニューラルネットワークモデルを用いて、粘着性皮膚病変を検出することによって、Burlinaらによるアプローチに基づいている。
われわれは、Googleから7つの言語で画像を取得してデータ入力を拡張し、トレーニングデータを多様化し、皮膚病変検出の精度を向上させるかどうかを検証した。
論文 参考訳(メタデータ) (2020-11-23T15:16:14Z) - An Encoder-Decoder CNN for Hair Removal in Dermoscopic Images [0.0]
皮膚内視鏡画像における毛髪除去のための畳み込みニューラルネットワークに基づくモデルを提案する。
既知のデータセットから抽出した無毛画像中の皮膚毛の存在をシミュレートする。
論文 参考訳(メタデータ) (2020-10-10T14:28:10Z) - 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) - 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)
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。