論文の概要: Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional
Network to Learn from the Lesion
- arxiv url: http://arxiv.org/abs/2305.09542v1
- Date: Tue, 16 May 2023 15:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 14:20:45.767294
- Title: Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional
Network to Learn from the Lesion
- Title（参考訳）: 悪性黒色腫の診断信頼度の向上 : 畳み込みネットワークによる病変の学習
- Authors: Norsang Lama, R. Joe Stanley, Anand Nambisan, Akanksha Maurya, Jason
Hagerty, William V. Stoecker
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9143713488498512
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning implemented with convolutional network architectures can exceed
specialists' diagnostic accuracy. However, whole-image deep learning trained on
a given dataset may not generalize to other datasets. The problem arises
because extra-lesional features - ruler marks, ink marks, and other melanoma
correlates - may serve as information leaks. These extra-lesional features,
discoverable by heat maps, degrade melanoma diagnostic performance and cause
techniques learned on one data set to fail to generalize. We propose a novel
technique to improve melanoma recognition by an EfficientNet model. The model
trains the network to detect the lesion and learn features from the detected
lesion. A generalizable elliptical segmentation model for lesions was
developed, with an ellipse enclosing a lesion and the ellipse enclosed by an
extended rectangle (bounding box). The minimal bounding box was extended by 20%
to allow some background around the lesion. The publicly available
International Skin Imaging Collaboration (ISIC) 2020 skin lesion image dataset
was used to evaluate the effectiveness of the proposed method. Our test results
show that the proposed method improved diagnostic accuracy by increasing the
mean area under receiver operating characteristic curve (mean AUC) score from
0.9 to 0.922. Additionally, correctly diagnosed scores are also improved,
providing better separation of scores, thereby increasing melanoma diagnostic
confidence. The proposed lesion-focused convolutional technique warrants
further study.
- Abstract（参考訳）: 畳み込みネットワークアーキテクチャで実装されたディープラーニングは、専門家の診断精度を超える可能性がある。
しかしながら、与えられたデータセットでトレーニングされた画像全体のディープラーニングは、他のデータセットに一般化することはない。
この問題は、支配者マーク、インクマーク、その他のメラノーマが情報漏洩として機能するためである。
これらの余分な特徴は、ヒートマップによって発見され、メラノーマの診断性能が低下し、あるデータセットで学習された技術が一般化しない原因となる。
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訓練して病変を検出し、検出された病変から特徴を学習する。
病変を囲む楕円体と拡張長方形(バウンディングボックス)で囲む楕円体を用いて,病変の一般的な楕円分節モデルを開発した。
最小限のバウンディングボックスは、病変の周囲の背景を許容するために20%拡張された。
提案手法の有効性を評価するために,isic(international skin imaging collaboration) 2020 skin lesion image datasetを用いた。
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,診断精度を向上した。
さらに、正しく診断されたスコアも改善され、スコアの分離が改善され、メラノーマの診断信頼性が向上する。
提案された病変中心の畳み込み技術はさらなる研究を保証している。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - 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) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳（メタデータ） (2022-07-13T23:53:09Z) - Multiple EffNet/ResNet Architectures for Melanoma Classification [3.047409448159345]
メラノーマは最も悪性の皮膚腫瘍であり、通常は正常なモルから発生する。
EffNetとResnetに基づくメラノーマ分類モデルを提案する。
当モデルでは, 同一患者の画像だけでなく, 患者レベルの文脈情報も活用し, がんの予測精度の向上を図る。
論文 参考訳（メタデータ） (2022-04-21T14:46:55Z) - 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) - DPN-SENet:A self-attention mechanism neural network for detection and
diagnosis of COVID-19 from chest x-ray images [16.010171071102416]
新型コロナウイルス(COVID-19)とも呼ばれる新型ウイルスは、2019年末に流行し、今では世界中に広まっている。
本稿では,放射線科医や臨床医が胸部X線を用いて新型コロナウイルスの診断に役立てる深層学習モデルを提案する。
論文 参考訳（メタデータ） (2021-05-20T11:50:52Z) - Explaining COVID-19 and Thoracic Pathology Model Predictions by
Identifying Informative Input Features [47.45835732009979]
ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。
特徴帰属法は、出力予測における入力特徴の重要性を識別する。
本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
論文 参考訳（メタデータ） (2021-04-01T11:42:39Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and
Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。
提案手法は皮膚病変分節の精度を向上させるのに役立つ。
以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文 参考訳（メタデータ） (2020-12-28T14:43:04Z)
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。