論文の概要: An Interpretable Deep Learning Approach for Skin Cancer Categorization

• arxiv url: http://arxiv.org/abs/2312.10696v1
• Date: Sun, 17 Dec 2023 12:11:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 14:55:49.295968
• Title: An Interpretable Deep Learning Approach for Skin Cancer Categorization
• Title（参考訳）: 解釈可能な深層学習による皮膚癌の分類
• Authors: Faysal Mahmud, Md. Mahin Mahfiz, Md. Zobayer Ibna Kabir, Yusha Abdullah
• Abstract要約: 我々は、皮膚がん検出の問題に対処するために、現代のディープラーニング手法と説明可能な人工知能(XAI)アプローチを使用する。 皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。 我々の研究は、ディープラーニングと説明可能な人工知能(XAI)が皮膚がんの診断をどのように改善するかを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skin cancer is a serious worldwide health issue, precise and early detection is essential for better patient outcomes and effective treatment. In this research, we use modern deep learning methods and explainable artificial intelligence (XAI) approaches to address the problem of skin cancer detection. To categorize skin lesions, we employ four cutting-edge pre-trained models: XceptionNet, EfficientNetV2S, InceptionResNetV2, and EfficientNetV2M. Image augmentation approaches are used to reduce class imbalance and improve the generalization capabilities of our models. Our models decision-making process can be clarified because of the implementation of explainable artificial intelligence (XAI). In the medical field, interpretability is essential to establish credibility and make it easier to implement AI driven diagnostic technologies into clinical workflows. We determined the XceptionNet architecture to be the best performing model, achieving an accuracy of 88.72%. Our study shows how deep learning and explainable artificial intelligence (XAI) can improve skin cancer diagnosis, laying the groundwork for future developments in medical image analysis. These technologies ability to allow for early and accurate detection could enhance patient care, lower healthcare costs, and raise the survival rates for those with skin cancer. Source Code: https://github.com/Faysal-MD/An-Interpretable-Deep-Learning?Approach-for-Skin-Cancer-Categorization- IEEE2023
• Abstract（参考訳）: 皮膚がんは世界中で深刻な健康問題であり、患者のより良い結果と効果的な治療には正確かつ早期発見が不可欠である。 本研究では,最新のディープラーニング手法と説明可能な人工知能(XAI)アプローチを用いて皮膚がん検出の課題に対処する。 皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。 画像拡張アプローチは、クラス不均衡を減らし、モデルの一般化能力を改善するために用いられる。 我々のモデル決定プロセスは、説明可能な人工知能(XAI)の実装により解明できる。 医療分野では、信頼性を確立し、AI駆動診断技術を臨床ワークフローに実装しやすくするために、解釈可能性が不可欠である。 我々はXceptionNetアーキテクチャを最高のパフォーマンスモデルとし、88.72%の精度を実現した。 我々の研究は、深層学習と説明可能な人工知能(XAI)が皮膚がんの診断をいかに改善するかを示し、医用画像解析における今後の発展の土台を築いた。 早期かつ正確な検出を可能にするこれらの技術は、患者のケアを強化し、医療コストを下げ、皮膚がん患者の生存率を高めることができる。 ソースコード:https://github.com/Faysal-MD/An-Interpretable-Deep-Learning? 皮膚シンセサイザー分類へのアプローチ-IEEE2023

関連論文リスト

• AI in Oncology: Transforming Cancer Detection through Machine Learning and Deep Learning Applications [0.3937575566991286]
  本稿では,従来の診断技術の限界について検討し,がんの診断・治療におけるAIの変革的役割について考察する。 この研究は、放射線医学におけるAIの適用を、癌の詳細な特徴、関連するリスクを特定するための予測分析、即時診断のためのアルゴリズム駆動ロボットの開発に応用することを目的としている。 このプラットフォームの包括的な目標は、専門家の推薦の開発を支援し、普遍的で効率的な診断手順を提供することである。
  論文  参考訳（メタデータ） (2025-01-26T11:32:43Z)
• A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field [0.8249694498830561]
  本稿では,事前学習したMobileNetV2モデルに基づくディープラーニングネットワークフレームワークを提案する。 このモデルはテストセットで99.6%の精度を達成し、特徴抽出を大幅に改善した。 診断精度を向上し、医療費を削減し、精密医療を促進するAIの可能性は、将来の医療産業の発展に大きな影響を与えるだろう。
  論文  参考訳（メタデータ） (2025-01-09T06:22:50Z)
• Enhancing Cancer Diagnosis with Explainable & Trustworthy Deep Learning Models [1.1060425537315088]
  本研究は, 説明可能な人工知能(XAI)と深層学習技術を用いて, がんの診断と予測に革新的なアプローチを提案する。 我々の研究は、意思決定プロセスに関する正確な結果と明確な洞察を提供するAIモデルを開発した。 このモデルの応用は、がんの診断を超えて、医学的な意思決定の様々な側面を変え、世界中の数百万人の命を救う可能性がある。
  論文  参考訳（メタデータ） (2024-12-23T12:50:47Z)
• Cancer-Net SCa-Synth: An Open Access Synthetically Generated 2D Skin Lesion Dataset for Skin Cancer Classification [65.83291923029985]
  アメリカ合衆国では、皮膚がんが最も一般的に診断されるがんと位置づけられており、公衆衛生上の問題となっている。 データセットのキュレーションとディープラーニングの進歩により、皮膚がんの迅速かつ正確な検出が期待できる。 Cancer-Net SCa- Synthは、皮膚がん分類のためのオープンアクセス合成された2D皮膚病変データセットである。
  論文  参考訳（メタデータ） (2024-11-08T02:04:21Z)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [38.321248253111776]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method [0.0]
  本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。 ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。 提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T10:37:02Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Double-Condensing Attention Condenser: Leveraging Attention in Deep Learning to Detect Skin Cancer from Skin Lesion Images [61.36288157482697]
  皮膚がんはアメリカ合衆国で最も一般的な種類のがんであり、5人に1人のアメリカ人に影響を与えると推定されている。 近年の進歩は,SIIM-ISICメラノーマ分類チャレンジのアートパフォーマンスの状況から,皮膚がん検出に強い効果を示している。 本稿では,皮膚病変画像の皮膚癌検出に効率的な自己注意構造を活用し,皮膚病変画像からの皮膚癌検出をカスタマイズしたDC-ACを用いたディープニューラルネットワーク設計を提案する。
  論文  参考訳（メタデータ） (2023-11-20T10:45:39Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• 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)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)

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。