論文の概要: Progressive Class-Wise Attention (PCA) Approach for Diagnosing Skin Lesions

• arxiv url: http://arxiv.org/abs/2306.07300v1
• Date: Sun, 11 Jun 2023 04:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 16:27:34.689360
• Title: Progressive Class-Wise Attention (PCA) Approach for Diagnosing Skin Lesions
• Title（参考訳）: 進行性クラスワイズ注意(PCA)による皮膚病変の診断
• Authors: Asim Naveed, Syed S. Naqvi, Tariq M. Khan, Imran Razzak
• Abstract要約: 皮膚がんは世界中のすべてのがんの中で最も頻度が高い。 皮膚病変の分類は、それらが提示できる多くのバリエーションのために、いくつかの課題を呈する。 本報告では,皮膚病変についてより詳細な知見を見出しつつ,各クラスを等しく考慮する新しいクラスワイドアテンション手法を提案する。
• 参考スコア（独自算出の注目度）: 2.545263358216707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin cancer holds the highest incidence rate among all cancers globally. The importance of early detection cannot be overstated, as late-stage cases can be lethal. Classifying skin lesions, however, presents several challenges due to the many variations they can exhibit, such as differences in colour, shape, and size, significant variation within the same class, and notable similarities between different classes. This paper introduces a novel class-wise attention technique that equally regards each class while unearthing more specific details about skin lesions. This attention mechanism is progressively used to amalgamate discriminative feature details from multiple scales. The introduced technique demonstrated impressive performance, surpassing more than 15 cutting-edge methods including the winners of HAM1000 and ISIC 2019 leaderboards. It achieved an impressive accuracy rate of 97.40% on the HAM10000 dataset and 94.9% on the ISIC 2019 dataset.
• Abstract（参考訳）: 皮膚がんは世界中のがんの中で最も頻度が高い。 早期発見の重要性を誇張することはできず、後期の症例は致命的になる可能性がある。 しかし、皮膚病変の分類には、色、形、サイズの違い、同じクラス内での著しい変異、異なるクラス間の顕著な類似性など、様々なバリエーションがあるため、いくつかの課題がある。 本稿では,皮膚病変に関するより具体的な詳細を解明しながら,各分類を等しく考慮した新しい分類的注意手法を提案する。 このアテンションメカニズムは、複数のスケールから識別的特徴の詳細をアマルガメートするために徐々に使われる。 紹介されたテクニックは、HAM1000やISIC 2019のリーダーボードを含む15以上の最先端メソッドを越え、素晴らしいパフォーマンスを示した。 HAM10000データセットで97.40%、ISIC 2019データセットで94.9%の精度を達成した。

関連論文リスト

• Skin Cancer Detection utilizing Deep Learning: Classification of Skin Lesion Images using a Vision Transformer [0.0]
  我々は、自己認識機構のアイデアに基づいて開発された視覚変換器(ViT)を用いる。 ViT-L32モデルは91.57%、メラノーマリコールは58.54%、ViT-L16は92.79%、メラノーマリコールは56.10%である。
  論文  参考訳（メタデータ） (2024-07-26T07:06:42Z)
• A Wavelet Guided Attention Module for Skin Cancer Classification with Gradient-based Feature Fusion [22.872949341281657]
  本研究では,新しいアテンション機構を用いて,空間的次元と病変の対称性の相違点を同定する新しいモデルを提案する。 我々は、HAM10000と呼ばれるマルチクラスで高いクラスバランスのデータセットでモデルをテストし、91.17%のF1スコアと90.75%の精度で有望な結果を得た。
  論文  参考訳（メタデータ） (2024-06-21T13:21:44Z)
• 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)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• 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)
• FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation and Malignancy Classification [2.076716889858164]
  皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。 5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。 Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
  論文  参考訳（メタデータ） (2023-07-21T15:42:01Z)
• A Comprehensive Evaluation Study on Risk Level Classification of Melanoma by Computer Vision on ISIC 2016-2020 Datasets [0.0]
  メラノーマは皮膚がんの75%の死因である。 メラノーマの検出は何百万人もの人に良い影響を与える可能性がある。 ISICアーカイブは皮膚病変の皮膚内視鏡像の収集で最大である。
  論文  参考訳（メタデータ） (2023-02-19T09:58:58Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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。