論文の概要: Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma
Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study
- arxiv url: http://arxiv.org/abs/2306.02800v1
- Date: Mon, 5 Jun 2023 11:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 15:32:49.408359
- Title: Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma
Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study
- Title（参考訳）: 深層学習によるメラノーマ分類を改善する1病変の多発皮膚内視鏡写真 : 予後診断精度の検討
- Authors: Achim Hekler, Roman C. Maron, Sarah Haggenm\"uller, Max Schmitt,
Christoph Wies, Jochen S. Utikal, Friedegund Meier, Sarah Hobelsberger, Frank
F. Gellrich, Mildred Sergon, Axel Hauschild, Lars E. French, Lucie
Heinzerling, Justin G. Schlager, Kamran Ghoreschi, Max Schlaak, Franz J.
Hilke, Gabriela Poch, S\"oren Korsing, Carola Berking, Markus V. Heppt,
Michael Erdmann, Sebastian Haferkamp, Konstantin Drexler, Dirk Schadendorf,
Wiebke Sondermann, Matthias Goebeler, Bastian Schilling, Jakob N. Kather, Eva
Krieghoff-Henning, Titus J. Brinker
- Abstract要約: 本研究はCNNをベースとしたメラノーマ分類器に対する単一病変の複数の実世界の皮膚内視鏡像の影響について検討した。
複数の実世界の画像を使用することは、CNNベースのメラノーマ分類器の性能に肯定的な影響を及ぼすための安価な方法である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Convolutional neural network (CNN)-based melanoma classifiers
face several challenges that limit their usefulness in clinical practice.
Objective: To investigate the impact of multiple real-world dermoscopic views
of a single lesion of interest on a CNN-based melanoma classifier.
Methods: This study evaluated 656 suspected melanoma lesions. Classifier
performance was measured using area under the receiver operating characteristic
curve (AUROC), expected calibration error (ECE) and maximum confidence change
(MCC) for (I) a single-view scenario, (II) a multiview scenario using multiple
artificially modified images per lesion and (III) a multiview scenario with
multiple real-world images per lesion.
Results: The multiview approach with real-world images significantly
increased the AUROC from 0.905 (95% CI, 0.879-0.929) in the single-view
approach to 0.930 (95% CI, 0.909-0.951). ECE and MCC also improved
significantly from 0.131 (95% CI, 0.105-0.159) to 0.072 (95% CI: 0.052-0.093)
and from 0.149 (95% CI, 0.125-0.171) to 0.115 (95% CI: 0.099-0.131),
respectively. Comparing multiview real-world to artificially modified images
showed comparable diagnostic accuracy and uncertainty estimation, but
significantly worse robustness for the latter.
Conclusion: Using multiple real-world images is an inexpensive method to
positively impact the performance of a CNN-based melanoma classifier.
- Abstract（参考訳）: 背景: 畳み込みニューラルネットワーク(CNN)ベースのメラノーマ分類器は、臨床実践における有用性を制限するいくつかの課題に直面している。
目的: cnnベースのメラノーマ分類器に対する1つの関心病変の複数の実世界の皮膚内視鏡的観察の影響を検討する。
方法: 悪性黒色腫656例について検討した。
AUROC, 予測校正誤差 (ECE) および最大信頼度変化 (MCC) を用いて, (I) 単一視野シナリオ, (II) 複数の人工的修正画像を用いたマルチビューシナリオ, (III) 複数実世界の画像を用いたマルチビューシナリオを用いて, 分類器の性能を測定した。
結果: 実画像を用いたマルチビュー手法では, AUROC が 0.905 (95% CI, 0.879-0.929) から 0.930 (95% CI, 0.909-0.951) に有意に増加した。
ECEとMCCはそれぞれ0.131(95% CI, 0.105-0.159)から0.072(95% CI: 0.052-0.093)、0.149(95% CI, 0.125-0.171)から0.115(95% CI: 0.099-0.131)に改善した。
多視点実世界と人工修正画像を比較すると、診断精度と不確実性は同等であったが、後者のロバスト性は著しく悪化した。
結論:複数の実世界の画像を使用することで,CNNに基づくメラノーマ分類器の性能に肯定的な影響を与える。
関連論文リスト
- Classification of Endoscopy and Video Capsule Images using CNN-Transformer Model [1.0994755279455526]
本研究では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)の利点を組み合わせて分類性能を向上させるハイブリッドモデルを提案する。
GastroVisionデータセットでは,精度,リコール,F1スコア,精度,マシューズ相関係数(MCC)が0.8320,0.8386,0.8324,0.8386,0.8191であった。
論文 参考訳（メタデータ） (2024-08-20T11:05:32Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from
a Prospective Multicenter Study [1.2397589403129072]
AIはメラノーマの検出を強化するのに役立つことが証明されている。
現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。
メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
論文 参考訳（メタデータ） (2024-01-25T14:03:54Z) - Vision Transformer for Efficient Chest X-ray and Gastrointestinal Image
Classification [2.3293678240472517]
本研究では,多種多様なCNNとトランスフォーマーを用いたデータ拡張手法を提案する。
異なるモダリティから3つの医用画像データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-04-23T04:07:03Z) - Improving Automated Hemorrhage Detection in Sparse-view Computed Tomography via Deep Convolutional Neural Network based Artifact Reduction [3.9874211732430447]
3000例のSparse-view cranial CTによるアーティファクト削減のためのU-Netの訓練を行った。
また, 自動出血検出のために17,545例のCTデータから畳み込みニューラルネットワークを訓練した。
U-Netは、画像の品質や出血の自動診断に関して、未処理画像やテレビ処理画像よりも優れていた。
論文 参考訳（メタデータ） (2023-03-16T14:21:45Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Visualizing CoAtNet Predictions for Aiding Melanoma Detection [0.0]
本稿では,CoAtNetアーキテクチャを用いたマルチクラス分類タスクを提案する。
全体的な精度は0.901, 0.895, AP 0.923で、他の最先端ネットワークと比較して高い性能を示している。
論文 参考訳（メタデータ） (2022-05-21T06:41:52Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - 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)
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。