論文の概要: DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 38 Subclasses

• arxiv url: http://arxiv.org/abs/2406.07426v1
• Date: Tue, 11 Jun 2024 16:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 15:05:20.296737
• Title: DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 38 Subclasses
• Title（参考訳）: DERM12345:38のサブクラスを持つ大規模多ソース皮膚内視鏡的皮膚病変データセット
• Authors: Abdurrahim Yilmaz, Sirin Pekcan Yasar, Gulsum Gencoglan, Burak Temelkuran,
• Abstract要約: 本研究は,12,345枚の皮膚内視鏡像と38種類の皮膚病変からなる多彩なデータセットをトゥルカイで収集した。 このデータセットは、5つのスーパークラス、15のメインクラス、38のサブクラス、12,345の高解像度皮膚内視鏡画像を持つ多様な構造を通して識別される。
• 参考スコア（独自算出の注目度）: 0.48212500317840945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin lesion datasets provide essential information for understanding various skin conditions and developing effective diagnostic tools. They aid the artificial intelligence-based early detection of skin cancer, facilitate treatment planning, and contribute to medical education and research. Published large datasets have partially coverage the subclassifications of the skin lesions. This limitation highlights the need for more expansive and varied datasets to reduce false predictions and help improve the failure analysis for skin lesions. This study presents a diverse dataset comprising 12,345 dermatoscopic images with 38 subclasses of skin lesions collected in Turkiye which comprises different skin types in the transition zone between Europe and Asia. Each subgroup contains high-resolution photos and expert annotations, providing a strong and reliable basis for future research. The detailed analysis of each subgroup provided in this study facilitates targeted research endeavors and enhances the depth of understanding regarding the skin lesions. This dataset distinguishes itself through a diverse structure with 5 super classes, 15 main classes, 38 subclasses and its 12,345 high-resolution dermatoscopic images.
• Abstract（参考訳）: 皮膚病変データセットは、様々な皮膚状態を理解し、効果的な診断ツールを開発するために不可欠な情報を提供する。 人工知能による皮膚がんの早期発見を支援し、治療計画を促進し、医学教育や研究に貢献する。 公表された大規模なデータセットは、皮膚病変の亜分類を部分的にカバーしている。 この制限は、偽の予測を減らし、皮膚病変の故障解析を改善するために、より拡張的で多様なデータセットの必要性を強調している。 本研究は,ヨーロッパとアジア間の移行帯で異なる皮膚型を呈するトゥルカイで採取された38種類の皮膚病変を含む12,345枚の皮膚内視鏡像からなる多彩なデータセットについて検討した。 各サブグループには高解像度の写真と専門家のアノテーションが含まれており、将来の研究の強力な信頼性の高い基盤を提供する。 本研究で提供される各サブグループの詳細な分析は,対象研究の促進と皮膚病変の理解度の向上に寄与する。 このデータセットは、5つのスーパークラス、15のメインクラス、38のサブクラス、12,345の高解像度皮膚内視鏡画像を持つ多様な構造を通して識別される。

関連論文リスト

• A General-Purpose Multimodal Foundation Model for Dermatology [14.114262475562846]
  PanDermは、皮膚疾患の200万以上の現実世界の画像のデータセット上で、自己教師付き学習を通じて事前訓練されたマルチモーダル皮膚科学の基礎モデルである。 PanDermは評価されたすべてのタスクで最先端のパフォーマンスを達成した。 PanDermは皮膚疾患の管理を強化し、他の医療分野におけるマルチモーダルファンデーションモデルの開発モデルとして機能する。
  論文  参考訳（メタデータ） (2024-10-19T08:48:01Z)
• Equitable Skin Disease Prediction Using Transfer Learning and Domain Adaptation [1.9505972437091028]
  皮膚科学における既存の人工知能(AI)モデルは、様々な皮膚のトーンで病気を正確に診断する上で困難に直面している。 我々は、様々な画像領域からのリッチでトランスファー可能な知識を活かしたトランスファーラーニングアプローチを採用する。 あらゆる手法の中で、Med-ViTは様々な画像ソースから学んだ包括的な特徴表現のためにトップパフォーマーとして登場した。
  論文  参考訳（メタデータ） (2024-09-01T23:48:26Z)
• S-SYNTH: Knowledge-Based, Synthetic Generation of Skin Images [2.79604239303318]
  S-SYNTHは知識ベースで適応可能なオープンソーススキンシミュレーションフレームワークである。 我々は、解剖学的にインスパイアされた多層多層皮膚と成長する病変モデルを用いて、合成皮膚、3次元モデル、デジタル化された画像を生成する。 また, 合成データを用いて得られた結果は, 実際の皮膚画像と類似した傾向を示した。
  論文  参考訳（メタデータ） (2024-07-31T23:16:29Z)
• SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [52.90397538472582]
  SkinGENは、VLMが提供する診断結果から参照デモを生成する、診断から生成までのフレームワークである。 システム性能と説明可能性の両方を評価するために,32人の参加者によるユーザスタディを実施している。 その結果、SkinGENはVLM予測に対するユーザの理解を著しく改善し、診断プロセスへの信頼を高めることが示されている。
  論文  参考訳（メタデータ） (2024-04-23T05:36:33Z)
• 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)
• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• 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)
• 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)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。