論文の概要: Automated dermatoscopic pattern discovery by clustering neural network
output for human-computer interaction
- arxiv url: http://arxiv.org/abs/2309.08533v1
- Date: Fri, 15 Sep 2023 16:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 13:40:40.767908
- Title: Automated dermatoscopic pattern discovery by clustering neural network
output for human-computer interaction
- Title（参考訳）: 人間-コンピュータ間インタラクションのためのニューラルネットワーク出力のクラスタリングによる皮膚内視鏡パターンの自動検出
- Authors: Lidia Talavera-Martinez, Philipp Tschandl
- Abstract要約: 本研究の目的は、人間の解釈可能なパターン発見をもたらす自動クラスタリングを作ることである。
7つの一般的な色素性皮膚病変診断を含むHAM10000データセットの画像は、29420タイルにタイル化され、k-meansを介してクラスタ化されました。
- 参考スコア（独自算出の注目度）: 0.39462888523270856
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: As available medical image datasets increase in size, it becomes
infeasible for clinicians to review content manually for knowledge extraction.
The objective of this study was to create an automated clustering resulting in
human-interpretable pattern discovery.
Methods: Images from the public HAM10000 dataset, including 7 common
pigmented skin lesion diagnoses, were tiled into 29420 tiles and clustered via
k-means using neural network-extracted image features. The final number of
clusters per diagnosis was chosen by either the elbow method or a compactness
metric balancing intra-lesion variance and cluster numbers. The amount of
resulting non-informative clusters, defined as those containing less than six
image tiles, was compared between the two methods.
Results: Applying k-means, the optimal elbow cutoff resulted in a mean of
24.7 (95%-CI: 16.4-33) clusters for every included diagnosis, including 14.9%
(95% CI: 0.8-29.0) non-informative clusters. The optimal cutoff, as estimated
by the compactness metric, resulted in significantly fewer clusters (13.4;
95%-CI 11.8-15.1; p=0.03) and less non-informative ones (7.5%; 95% CI: 0-19.5;
p=0.017). The majority of clusters (93.6%) from the compactness metric could be
manually mapped to previously described dermatoscopic diagnostic patterns.
Conclusions: Automatically constraining unsupervised clustering can produce
an automated extraction of diagnostically relevant and human-interpretable
clusters of visual patterns from a large image dataset.
- Abstract（参考訳）: 背景: 医用画像データセットのサイズが大きくなるにつれて, 臨床医が知識抽出のために手動でコンテンツをレビューすることは不可能になる。
本研究の目的は、人間の解釈可能なパターン発見をもたらす自動クラスタリングを作ることである。
方法: 顔色素性皮膚病変7例を含むham10000データセットの画像を29420タイルにタイル化し, ニューラルネットワーク抽出画像特徴を用いてk-meansを介してクラスタ化した。
診断毎のクラスタ数はelbow法か,stra-desion variance と cluster number のバランスをとるコンパクト度測定法で選択した。
画像タイルを6つ未満含むものと定義した非情報的クラスターの量は, 2つの手法で比較した。
結果: k-meansを適用すると、最適な肘切り離しは24.7 (95%-CI: 16.4-33) のクラスターとなり、そのうち14.9% (95% CI: 0.8-29.0) の非変形性クラスターを含む。
最適カットオフは、コンパクト性メートル法で推定されるように、クラスター(13.4; 95%-ci 11.8-15.1; p=0.03)と非インフォーマティブなクラスター(7.5%; 95% ci: 0-19.5; p=0.017)が著しく減少した。
コンパクト度測定から得られたクラスターの93.6%は、前述した皮膚内視鏡診断パターンに手作業でマッピングできる。
結論: 教師なしクラスタリングを自動的に制約することで、大きな画像データセットから診断的に関連し、人間に解釈可能な視覚的パターンのクラスタを自動的に抽出することができる。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - 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) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-21T23:11:33Z) - DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization [24.100651548850895]
本稿では,大規模医用画像データセットの自動クラスタリングと分類のための教師なしアプローチを提案する。
本研究では,クラスバランスと非バランスな大規模データセットを用いたエンドツーエンドトレーニングについて検討した。
論文 参考訳（メタデータ） (2021-09-30T22:39:57Z) - Multiclass Anomaly Detection in GI Endoscopic Images using Optimized
Deep One-class Classification in an Imbalanced Dataset [0.0]
ワイヤレスカプセル内視鏡は、医師が消化管を非侵襲的に検査するのに役立つ。
KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。
本研究では,一類分類器のアンサンブルを用いて異常を検出する。
論文 参考訳（メタデータ） (2021-03-15T16:28:42Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Too Much Information Kills Information: A Clustering Perspective [6.375668163098171]
分散に基づくk-クラスタリングタスクに対して,k-平均クラスタリング(k-means clustering)が広く知られていることを含む,単純かつ斬新なアプローチを提案する。
提案手法は、与えられたデータセットからサンプリングサブセットを選択し、サブセット内のデータ情報のみに基づいて決定する。
ある仮定では、結果のクラスタリングは、高い確率で分散に基づく目的の最適度を推定するのに十分である。
論文 参考訳（メタデータ） (2020-09-16T01:54:26Z) - Y-net: Biomedical Image Segmentation and Clustering [0.0]
医用画像解析のための画像分割を伴う深層クラスタリングアーキテクチャを提案する。
Kmeansクラスタリングを用いたディープクラスタリングはクラスタリングブランチで行われ、セグメンテーションには軽量モデルが使用される。
提案したアーキテクチャは、データセットが大きくなるにつれて非常にコストがかかるため、早期診断を提供し、ラベル付けに対する人間の介入を減らすことができる。
論文 参考訳（メタデータ） (2020-04-12T21:08:31Z) - Statistical power for cluster analysis [0.0]
クラスターアルゴリズムは、生物医学研究でますます人気がある。
シミュレーションにより,共通解析におけるパワーと精度を推定する。
我々は,大規模なサブグループ分離が期待される場合にのみ,クラスタ分析を適用することを推奨する。
論文 参考訳（メタデータ） (2020-03-01T02:43:15Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。