論文の概要: A Comparative Analysis Towards Melanoma Classification Using Transfer
Learning by Analyzing Dermoscopic Images
- arxiv url: http://arxiv.org/abs/2312.01212v1
- Date: Sat, 2 Dec 2023 19:46:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:46:02.063403
- Title: A Comparative Analysis Towards Melanoma Classification Using Transfer
Learning by Analyzing Dermoscopic Images
- Title（参考訳）: 転写学習によるメラノーマ分類における皮膚内視鏡画像の比較検討
- Authors: Md. Fahim Uddin, Nafisa Tafshir, Mohammad Monirujjaman Khan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Melanoma is a sort of skin cancer that starts in the cells known as
melanocytes. It is more dangerous than other types of skin cancer because it
can spread to other organs. Melanoma can be fatal if it spreads to other parts
of the body. Early detection is the key to cure, but it requires the skills of
skilled doctors to diagnose it. This paper presents a system that combines deep
learning techniques with established transfer learning methods to enable skin
lesions classification and diagnosis of melanoma skin lesions. Using
Convolutional Neural Networks, it presents a method for categorizing melanoma
images into benign and malignant images in this research (CNNs). Researchers
used 'Deep Learning' techniques to train an expansive number of photos &
essentially to get the expected result deep neural networks to need to be
trained with a huge number of parameters as dermoscopic images are sensitive &
very hard to classify. This paper, has been emphasized building models with
less complexity and comparatively better accuracy with limited datasets &
partially fewer deep networks so that the system can predict Melanoma at ease
from input dermoscopic images as correctly as possible within devices with less
computational power. The dataset has been obtained from ISIC Archive. Multiple
pre-trained models ResNet101, DenseNet, EfficientNet, InceptionV3 have been
implemented using transfer learning techniques to complete the comparative
analysis & every model achieved good accuracy. Before training the models, the
data has been augmented by multiple parameters to improve the accuracy.
Moreover, the results are better than the previous state-of-the-art approaches
& adequate to predict melanoma. Among these architectures, DenseNet performed
better than the others which gives a validation accuracy of 96.64%, validation
loss of 9.43% & test set accuracy of 99.63%.
- Abstract（参考訳）: メラノーマはメラノーマと呼ばれる細胞から発生する皮膚がんの一種である。
他の臓器に拡がる可能性があるため、他の種類の皮膚がんよりも危険である。
メラノーマは、体の他の部位に拡がると致命的となる。
早期発見は治療の鍵だが、診断には熟練した医師のスキルが必要である。
本稿では,深層学習技術と確立したトランスファー学習法を組み合わせて,メラノーマ皮膚病変の分類と診断を可能にするシステムを提案する。
本研究では,畳み込みニューラルネットワークを用いてメラノーマ画像を良性および悪性の画像に分類する手法を提案する。
研究者たちは「ディープラーニング」技術を使って、膨大な写真数を訓練し、本質的には、ダーモスコピックな画像が敏感で分類が難しいため、膨大な数のパラメータでトレーニングする必要のあるディープニューラルネットワークを得る。
計算能力の低いデバイスでは,入力された皮膚画像から容易にメラノーマを予測できるように,限られたデータセットと部分的に少ないディープネットワークで比較的精度の高いモデルを構築することが強調されている。
データセットはISIC Archiveから取得されている。
複数の事前学習モデル ResNet101, DenseNet, EfficientNet, InceptionV3 がトランスファーラーニング技術を用いて実装され, 比較解析を完了し, 全てのモデルで精度が向上した。
モデルをトレーニングする前に、データは複数のパラメータによって拡張され、精度が向上した。
さらに, 従来の最先端アプローチよりも良好な結果が得られ, メラノーマの予測に適している。
これらのアーキテクチャのうち、drknetは96.64%の検証精度、9.43%の検証損失、99.63%のテストセット精度を持つ他のアーキテクチャよりも優れた性能を示した。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - Classification of Melanocytic Nevus Images using BigTransfer (BiT) [0.0]
メラノーマ性ネビは成熟し、致命的な黒色腫を引き起こす。
現在の管理プロトコルでは、脅迫的に見えるネビを除去する。
早期診断はメラノサイトネビ分類のための信頼性の高い自動化システムを必要とする。
論文 参考訳（メタデータ） (2022-11-21T21:53:43Z) - 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) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Method to Classify Skin Lesions using Dermoscopic images [0.0]
皮膚がんは、がん患者の3分の1を構成する既存の世界でもっとも一般的ながんである。
そこで本研究では,CNN(Convolution Neural Networks)をトレーニングモデルとして,皮膚画像を用いた皮膚病変の自動分類モデルを開発した。
このモデルが達成できる最良の精度は0.886である。
論文 参考訳（メタデータ） (2020-08-21T10:58:33Z) - Detector-SegMentor Network for Skin Lesion Localization and Segmentation [0.0]
メラノーマ(Melanoma)は、早期に未診断となった皮膚がんの一種である。
本稿では,ネットワーク・イン・ネットワーク・コンボリューション・ニューラルネットワークによる皮膚病変のセグメンテーションを提案する。
論文 参考訳（メタデータ） (2020-05-13T19:41:27Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。