論文の概要: Dermoscopic Dark Corner Artifacts Removal: Friend or Foe?
- arxiv url: http://arxiv.org/abs/2306.13446v1
- Date: Fri, 23 Jun 2023 11:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 12:57:05.337463
- Title: Dermoscopic Dark Corner Artifacts Removal: Friend or Foe?
- Title(参考訳): 鏡視下ダークコーナーのアーティファクト除去: 友人か敵か?
- Authors: Samuel William Pewton, Bill Cassidy, Connah Kendrick, Moi Hoon Yap
- Abstract要約: 一般に公開されているデータセットから10,250個の皮膚病変の画像にラベルを付け,同数のメラノーマと非メラノーマの症例を含むバランスのとれたデータセットを導入した。
本研究は, 塗布および合成による例を含む, ダークコーナーの人工物の影響について, 新たな理解を提供するための3つの実験を行った。
その結果,ダークコーナーアーティファクトがトレーニングセットに導入された際には,黒色腫として扱うのではなく,ダークコーナーアーティファクトを無視することが深層学習で学んだことが示唆された。
- 参考スコア(独自算出の注目度): 5.219428465905332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the more significant obstacles in classification of skin cancer is the
presence of artifacts. This paper investigates the effect of dark corner
artifacts, which result from the use of dermoscopes, on the performance of a
deep learning binary classification task. Previous research attempted to remove
and inpaint dark corner artifacts, with the intention of creating an ideal
condition for models. However, such research has been shown to be inconclusive
due to lack of available datasets labelled with dark corner artifacts and
detailed analysis and discussion. To address these issues, we label 10,250 skin
lesion images from publicly available datasets and introduce a balanced dataset
with an equal number of melanoma and non-melanoma cases. The training set
comprises 6126 images without artifacts, and the testing set comprises 4124
images with dark corner artifacts. We conduct three experiments to provide new
understanding on the effects of dark corner artifacts, including inpainted and
synthetically generated examples, on a deep learning method. Our results
suggest that introducing synthetic dark corner artifacts which have been
superimposed onto the training set improved model performance, particularly in
terms of the true negative rate. This indicates that deep learning learnt to
ignore dark corner artifacts, rather than treating it as melanoma, when dark
corner artifacts were introduced into the training set. Further, we propose a
new approach to quantifying heatmaps indicating network focus using a root mean
square measure of the brightness intensity in the different regions of the
heatmaps. This paper provides a new guideline for skin lesions analysis with an
emphasis on reproducibility.
- Abstract(参考訳): 皮膚がんの分類において最も重要な障害の1つは、アーティファクトの存在である。
本稿では, 深層学習二分分類タスクの性能に及ぼす皮膚科医の使用によるダークコーナーアーティファクトの影響について検討する。
以前の研究は、モデルに理想的な条件を作ることを意図して、ダークコーナーのアーティファクトを取り除き、塗りつぶそうとした。
しかし、ダークコーナーのアーティファクトをラベル付けしたデータセットの不足と詳細な分析と議論のため、このような研究は決定的でないことが示されている。
これらの問題に対処するために,公開されているデータセットから10,250個の皮膚病変画像をラベル付けし,メラノーマと非メラノーマと同等数のバランスのとれたデータセットを導入する。
トレーニングセットは、アーティファクトのない6126イメージを含み、テストセットは、ダークコーナーアーティファクトを備えた4124イメージからなる。
本研究では,深層学習法における暗黒コーナーアーチファクトの効果に関する新たな理解を提供するため,3つの実験を行った。
以上の結果から,トレーニングセットに重畳された合成ダークコーナーアーティファクトの導入により,モデル性能,特に真の負の速度が向上することが示唆された。
これは,ダークコーナーアーティファクトがトレーニングセットに導入された際に,それをメラノーマとして扱うのではなく,ダークコーナーアーティファクトを無視することを深層学習が学んだことを示している。
さらに,熱マップの異なる領域における輝度強度の根平均2乗測度を用いて,ネットワーク焦点を示す熱マップを定量化する手法を提案する。
本稿では再現性を重視した新しい皮膚病変解析ガイドラインを提供する。
関連論文リスト
- Single-Image Shadow Removal Using Deep Learning: A Comprehensive Survey [78.84004293081631]
影のパターンは任意で変化しており、しばしば非常に複雑な痕跡構造を持つ。
影による劣化は空間的に不均一であり、照度と影と非陰影領域間の色に矛盾が生じている。
この分野での最近の開発は、主にディープラーニングベースのソリューションによって進められている。
論文 参考訳(メタデータ) (2024-07-11T20:58:38Z) - Delving into Dark Regions for Robust Shadow Detection [47.60700654394781]
最先端のディープメソッドは、暗黒領域の非シャドウピクセルとシャドウピクセルを区別する際のエラー率が高い傾向にある。
そこで我々は,まず画像全体を通してグローバルな文脈的手がかりを学習し,次に暗黒領域に拡大して局所的な影表現を学習する,新しいシャドウ検出手法を提案する。
論文 参考訳(メタデータ) (2024-02-21T09:07:07Z) - DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In
Machine-Assisted Skin Disease Detection [51.92255321684027]
皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。
我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
論文 参考訳(メタデータ) (2024-01-24T07:45:24Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳(メタデータ) (2023-10-09T10:22:08Z) - Data-Driven Deep Supervision for Skin Lesion Classification [36.24996525103533]
本稿では,ロバストな特徴抽出のために入力データを利用する新しいディープニューラルネットワークを提案する。
具体的には、畳み込みネットワークの挙動(視野)を分析し、深い監視の場所を見つける。
論文 参考訳(メタデータ) (2022-09-04T03:57:08Z) - Towards Better Dermoscopic Image Feature Representation Learning for
Melanoma Classification [25.525492490284293]
皮膚内視鏡画像を用いた深層学習によるメラノーマ分類は,近年,早期メラノーマの自動診断において大きな可能性を秘めている。
本研究では, 病変の特徴の表現学習を改善するために, それぞれ課題を解決しようと試みる。
具体的には、GANベースのデータ拡張(GDA)戦略を用いて、提案した暗黙のヘアデノイング(IHD)戦略とともに、合成メラノーマ陽性画像を生成する。
IHDモジュールをトレーニングするために、毛髪ノイズはISIC 2020データセットにラベル付けされ、毛髪のようなアーティファクトのアノテーションを付加した最初の大規模な皮膚内視鏡データセットとなる。
論文 参考訳(メタデータ) (2022-07-15T06:07:11Z) - Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。
本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。
提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文 参考訳(メタデータ) (2022-04-23T01:54:06Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Weakly- and Semi-Supervised Probabilistic Segmentation and
Quantification of Ultrasound Needle-Reverberation Artifacts to Allow Better
AI Understanding of Tissue Beneath Needles [0.0]
人工物から所望の組織ベースのピクセル値を分離する確率論的ニードル・アンド・レバーベーション・アーティファクトセグメンテーション法を提案する。
提案手法は,最先端のアーティファクトセグメンテーション性能と一致し,アーティファクトの画素ごとのコントリビューションを,基礎となる解剖学に対して推定する新しい標準を設定する。
論文 参考訳(メタデータ) (2020-11-24T08:34:38Z) - Improving Lesion Detection by exploring bias on Skin Lesion dataset [0.0]
ISIC Archiveは、ディープラーニングベースのツールをベンチマークするのに最も使用される皮膚病変ソースの1つである。
深層学習モデルは、入力データに臨床的に意味のある情報を持たずに皮膚病変画像を分類することができる。
長方形境界箱型マスクの代わりに形状保存マスクを生成する実験を行った。
論文 参考訳(メタデータ) (2020-10-04T05:04:58Z)
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。