論文の概要: Convolutional Neural Networks Towards Facial Skin Lesions Detection
- arxiv url: http://arxiv.org/abs/2402.08592v1
- Date: Tue, 13 Feb 2024 16:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:27:16.455086
- Title: Convolutional Neural Networks Towards Facial Skin Lesions Detection
- Title（参考訳）: 顔面皮膚病変検出に向けた畳み込みニューラルネットワーク
- Authors: Reza Sarshar, Mohammad Heydari, Elham Akhondzadeh Noughabi
- Abstract要約: 本研究は,顔画像の点滅や皮膚病変の検出を容易にするモデルを提供することで貢献する。
提案手法は, 簡単なアーキテクチャ, 高速, 画像処理に適するといった利点を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Facial analysis has emerged as a prominent area of research with diverse
applications, including cosmetic surgery programs, the beauty industry,
photography, and entertainment. Manipulating patient images often necessitates
professional image processing software. This study contributes by providing a
model that facilitates the detection of blemishes and skin lesions on facial
images through a convolutional neural network and machine learning approach.
The proposed method offers advantages such as simple architecture, speed and
suitability for image processing while avoiding the complexities associated
with traditional methods. The model comprises four main steps: area selection,
scanning the chosen region, lesion diagnosis, and marking the identified
lesion. Raw data for this research were collected from a reputable clinic in
Tehran specializing in skincare and beauty services. The dataset includes
administrative information, clinical data, and facial and profile images. A
total of 2300 patient images were extracted from this raw data. A software tool
was developed to crop and label lesions, with input from two treatment experts.
In the lesion preparation phase, the selected area was standardized to 50 * 50
pixels. Subsequently, a convolutional neural network model was employed for
lesion labeling. The classification model demonstrated high accuracy, with a
measure of 0.98 for healthy skin and 0.97 for lesioned skin specificity.
Internal validation involved performance indicators and cross-validation, while
external validation compared the model's performance indicators with those of
the transfer learning method using the Vgg16 deep network model. Compared to
existing studies, the results of this research showcase the efficacy and
desirability of the proposed model and methodology.
- Abstract（参考訳）: 顔分析は化粧品の手術プログラム、美容産業、写真、エンターテイメントなど様々な応用分野において顕著な研究領域として現れてきた。
患者イメージを操作するには、プロの画像処理ソフトウェアが必要となることが多い。
本研究は、畳み込みニューラルネットワークと機械学習アプローチにより、顔画像上のブレニッシュや皮膚病変の検出を容易にするモデルを提供することによって貢献する。
提案手法は,従来の手法に係わる複雑さを回避しつつ,単純なアーキテクチャや速度,画像処理に適するといった利点を提供する。
このモデルは、領域選択、選択された領域の走査、病変の診断、同定された病変のマークの4つの主要なステップからなる。
この研究のためのデータは、テヘランのスキンケアと美容サービスに特化した信頼できるクリニックから収集された。
データセットは、管理情報、臨床データ、顔およびプロフィール画像を含む。
この生データから合計2300件の患者画像が抽出された。
ソフトウェアツールは2人の治療専門家から入力を受けながら、病気の収穫とラベル付けのために開発された。
病変形成段階では,選択領域は50×50ピクセルに標準化された。
その後,病変ラベリングに畳み込みニューラルネットワークモデルを用いた。
分類モデルでは, 正常皮膚では0.98, 病変皮膚では0.97と高い精度を示した。
内部バリデーションには性能指標とクロスバリデーションが含まれ、外部バリデーションはモデルのパフォーマンス指標とVgg16ディープネットワークモデルを用いた転送学習手法を比較した。
既存の研究と比較して,本研究の結果は,提案するモデルと手法の有効性と期待性を示している。
関連論文リスト
- MAPUNetR: A Hybrid Vision Transformer and U-Net Architecture for Efficient and Interpretable Medical Image Segmentation [0.0]
本稿では,医用画像セグメンテーションのためのU-Netフレームワークを用いて,トランスフォーマーモデルの強度を相乗化する新しいアーキテクチャMAPUNetRを紹介する。
本モデルでは,分解能保存課題に対処し,セグメンテーションされた領域に着目したアテンションマップを導入し,精度と解釈可能性を高める。
臨床実習における医用画像セグメンテーションの強力なツールとして,本モデルが安定した性能と可能性を維持していることを示す。
論文 参考訳（メタデータ） (2024-10-29T16:52:57Z) - Enhancing Skin Disease Diagnosis: Interpretable Visual Concept Discovery with SAM Empowerment [41.398287899966995]
現在のAIによる皮膚画像診断は、皮膚がんの分類において皮膚科レベルのパフォーマンスを達成している。
皮膚病変診断のための新しいクロス・アテテーティブ・フュージョン・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-14T20:11:25Z) - 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) - 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) - Exploiting Causality Signals in Medical Images: A Pilot Study with
Empirical Results [1.2400966570867322]
本稿では,ニューラルネットワークによる分類目的の画像から弱い因果信号を発見し,利用するための新しい手法を提案する。
このようにして、画像の1つの部分における特徴の存在が、画像の別の部分における他の特徴の出現にどのように影響するかをモデル化する。
提案手法は,畳み込みニューラルネットワークのバックボーンと因果係数抽出モジュールから構成される。
論文 参考訳（メタデータ） (2023-09-19T08:00:26Z) - INCEPTNET: Precise And Early Disease Detection Application For Medical
Images Analyses [0.5439020425818999]
本稿では,医療画像の早期検出とセグメント化のための新しいディープニューラルネットワークInceptNetを提案する。
Fast InceptNetは、著名なUnetアーキテクチャによって形成され、Inceptionモジュールのパワーを、高速で費用対効果のあるものにします。
この改良は、小さな構造を持つ画像においてより重要であった。
論文 参考訳（メタデータ） (2023-09-05T11:39:29Z) - A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。
画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。
天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
論文 参考訳（メタデータ） (2022-06-01T09:43:10Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。