論文の概要: Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models
- arxiv url: http://arxiv.org/abs/2404.01160v1
- Date: Mon, 1 Apr 2024 15:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 22:05:48.909137
- Title: Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models
- Title（参考訳）: VGG16とVGG19に基づく転写学習モデルを用いた皮膚癌の診断
- Authors: Amir Faghihi, Mohammadreza Fathollahi, Roozbeh Rajabi,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.6827423171182154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Today, skin cancer is considered as one of the most dangerous and common cancers in the world which demands special attention. Skin cancer may be developed in different types; including melanoma, actinic keratosis, basal cell carcinoma, squamous cell carcinoma, and Merkel cell carcinoma. Among them, melanoma is more unpredictable. Melanoma cancer can be diagnosed at early stages increasing the possibility of disease treatment. Automatic classification of skin lesions is a challenging task due to diverse forms and grades of the disease, demanding the requirement of novel methods implementation. Deep convolution neural networks (CNN) have shown an excellent potential for data and image classification. In this article, we inspect skin lesion classification problem using CNN techniques. Remarkably, we present that prominent classification accuracy of lesion detection can be obtained by proper designing and applying of transfer learning framework on pre-trained neural networks, without any requirement for data enlargement procedures i.e. merging VGG16 and VGG19 architectures pre-trained by a generic dataset with modified AlexNet network, and then, fine-tuned by a subject-specific dataset containing dermatology images. The convolution neural network was trained using 2541 images and, in particular, dropout was used to prevent the network from overfitting. Finally, the validity of the model was checked by applying the K-fold cross validation method. The proposed model increased classification accuracy by 3% (from 94.2% to 98.18%) in comparison with other methods.
- Abstract（参考訳）: 現在、皮膚がんは特に注意を要する最も危険で一般的ながんの1つと考えられている。
皮膚癌は、メラノーマ、アクチン性角化症、基底細胞癌、扁平上皮癌、メルケル細胞癌など様々な種類で発生する。
そのうちメラノーマは予測不可能である。
悪性黒色腫は早期に診断でき、疾患治療の可能性を高める。
皮膚病変の自動分類は、疾患の多様な形態やグレードのために困難な課題であり、新しい方法の実施の必要性が要求される。
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。
特筆すべきは、病変検出の顕著な分類精度は、データ拡張手順(VGG16とVGG19アーキテクチャを改良されたAlexNetネットワークで事前トレーニングしたジェネリックデータセットでマージすること)を必要とせず、事前トレーニングされたニューラルネットワーク上で転送学習フレームワークを適切に設計し、適用することで得られることである。
畳み込みニューラルネットワークは2541の画像を用いてトレーニングされ、特に、ネットワークの過度な適合を防ぐためにドロップアウトが使用された。
最後に,K-fold Cross Validation法を用いてモデルの妥当性を確認した。
提案モデルは,他の手法と比較して分類精度を3%(94.2%から98.18%)向上させた。
関連論文リスト
- Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。
我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。
このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
論文 参考訳（メタデータ） (2024-10-29T13:54:08Z) - 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) - A Comparative Analysis Towards Melanoma Classification Using Transfer
Learning by Analyzing Dermoscopic Images [0.0]
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。
論文 参考訳（メタデータ） (2023-12-02T19:46:48Z) - Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network [2.4469484645516837]
本稿では,異なる種類の皮膚病変を正確に同定するコンピュータによる深層学習手法を提案する。
ディープラーニングアプローチは、モデルが画像の各ピクセルを学習するため、皮膚がんを極めて正確に検出することができる。
いくつかのディープラーニングモデルには制限があり、モデルが偽陽性の結果に導かれる。
論文 参考訳（メタデータ） (2023-03-13T23:16:18Z) - Classification of Skin Cancer Images using Convolutional Neural Networks [0.0]
皮膚がんは最も一般的なヒト悪性腫瘍である。
ディープニューラルネットワークは、画像分類の謙虚な可能性を示している。
最も高いモデル精度は86.65%以上である。
論文 参考訳（メタデータ） (2022-02-01T17:11:41Z) - 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) - 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) - A Smartphone based Application for Skin Cancer Classification Using Deep
Learning with Clinical Images and Lesion Information [1.8199326045904993]
ディープニューラルネットワーク(DNN)は皮膚がんの検出に有効である。
本研究では,スマートフォンを用いた皮膚がん検出支援アプリケーションを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:51:00Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - 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。