論文の概要: Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2303.07520v1
- Date: Mon, 13 Mar 2023 23:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 17:01:33.706455
- Title: Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network
- Title（参考訳）: 深層畳み込みニューラルネットワークを用いた多クラス皮膚がん分類アーキテクチャ
- Authors: Mst Shapna Akter, Hossain Shahriar, Sweta Sneha, Alfredo Cuzzocrea
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.4469484645516837
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skin cancer detection is challenging since different types of skin lesions
share high similarities. This paper proposes a computer-based deep learning
approach that will accurately identify different kinds of skin lesions. Deep
learning approaches can detect skin cancer very accurately since the models
learn each pixel of an image. Sometimes humans can get confused by the
similarities of the skin lesions, which we can minimize by involving the
machine. However, not all deep learning approaches can give better predictions.
Some deep learning models have limitations, leading the model to a
false-positive result. We have introduced several deep learning models to
classify skin lesions to distinguish skin cancer from different types of skin
lesions. Before classifying the skin lesions, data preprocessing and data
augmentation methods are used. Finally, a Convolutional Neural Network (CNN)
model and six transfer learning models such as Resnet-50, VGG-16, Densenet,
Mobilenet, Inceptionv3, and Xception are applied to the publically available
benchmark HAM10000 dataset to classify seven classes of skin lesions and to
conduct a comparative analysis. The models will detect skin cancer by
differentiating the cancerous cell from the non-cancerous ones. The models
performance is measured using performance metrics such as precision, recall, f1
score, and accuracy. We receive accuracy of 90, 88, 88, 87, 82, and 77 percent
for inceptionv3, Xception, Densenet, Mobilenet, Resnet, CNN, and VGG16,
respectively. Furthermore, we develop five different stacking models such as
inceptionv3-inceptionv3, Densenet-mobilenet, inceptionv3-Xception,
Resnet50-Vgg16, and stack-six for classifying the skin lesions and found that
the stacking models perform poorly. We achieve the highest accuracy of 78
percent among all the stacking models.
- Abstract（参考訳）: 異なる種類の皮膚病変は類似度が高いため、皮膚がんの検出は困難である。
本稿では,異なる皮膚病変を正確に識別するコンピュータベースの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、皮膚がんを非常に正確に検出できる。
時として、人間は皮膚の病変の類似性によって混乱することがある。
しかし、すべてのディープラーニングアプローチがより良い予測をもたらすわけではない。
一部のディープラーニングモデルには制限があり、モデルに偽陽性の結果をもたらす。
皮膚病変を分類する深層学習モデルを導入し,皮膚がんと皮膚病変の鑑別を行った。
皮膚病変を分類する前に、データ前処理とデータ増補法を用いる。
最後に、公開利用可能なベンチマークham10000データセットに畳み込みニューラルネットワーク(cnn)モデルと、resnet-50、vgg-16、dungnet、mobilenet、inceptionv3、xceptionなどの6つのトランスファー学習モデルを適用し、皮膚病変の7つの分類と比較分析を行う。
モデルは、がん細胞と非癌細胞を区別することで皮膚がんを検出する。
モデル性能は、精度、リコール、f1スコア、精度などのパフォーマンス指標を用いて測定される。
inceptionv3, xception, densenet, mobilenet, resnet, cnn, vgg16では,それぞれ90, 88, 88, 87, 82, 77パーセントの精度を得た。
さらに,inceptionv3-inceptionv3, densenet-mobilenet, inceptionv3-xception, resnet50-vgg16, stack-sixの5種類の積層モデルを用いて皮膚病変の分類を行った。
すべての積み重ねモデルの中で78%の精度を実現しています。
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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification [0.0]
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。
論文 参考訳（メタデータ） (2022-07-26T08:07:33Z) - Exploration of Various Deep Learning Models for Increased Accuracy in
Automatic Polyp Detection [62.997667081978825]
本稿では,大腸内視鏡画像におけるポリプの検出精度が高いディープラーニングモデルとアルゴリズムについて検討する。
畳み込みニューラルネットワーク(CNN)を用いたディープラーニングの研究
論文 参考訳（メタデータ） (2022-03-04T04:03:41Z) - 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) - 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) - 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) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。