論文の概要: Skin Cancer Images Classification using Transfer Learning Techniques

• arxiv url: http://arxiv.org/abs/2406.12954v1
• Date: Tue, 18 Jun 2024 15:48:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-22 00:37:55.186047
• Title: Skin Cancer Images Classification using Transfer Learning Techniques
• Title（参考訳）: 転写学習技術を用いた皮膚癌画像の分類
• Authors: Md Sirajul Islam, Sanjeev Panta,
• Abstract要約: 良性期における皮膚癌の早期診断は、がん死亡率の低下に重要である。 これまで,様々な深層学習モデルを用いた皮膚癌診断の課題に対処してきた。 本研究は, 良性および悪性期における皮膚癌検出のバイナリ分類に, 5種類の事前学習型トランスファーラーニングアプローチを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skin cancer is one of the most common and deadliest types of cancer. Early diagnosis of skin cancer at a benign stage is critical to reducing cancer mortality. To detect skin cancer at an earlier stage an automated system is compulsory that can save the life of many patients. Many previous studies have addressed the problem of skin cancer diagnosis using various deep learning and transfer learning models. However, existing literature has limitations in its accuracy and time-consuming procedure. In this work, we applied five different pre-trained transfer learning approaches for binary classification of skin cancer detection at benign and malignant stages. To increase the accuracy of these models we fine-tune different layers and activation functions. We used a publicly available ISIC dataset to evaluate transfer learning approaches. For model stability, data augmentation techniques are applied to improve the randomness of the input dataset. These approaches are evaluated using different hyperparameters such as batch sizes, epochs, and optimizers. The experimental results show that the ResNet-50 model provides an accuracy of 0.935, F1-score of 0.86, and precision of 0.94.
• Abstract（参考訳）: 皮膚がんは最も一般的で致命的ながんの1つである。 良性期における皮膚癌の早期診断は、がん死亡率の低下に重要である。 早期に皮膚がんを検出するためには、多くの患者の命を救える自動化システムが必須である。 様々な深層学習モデルと転写学習モデルを用いた皮膚癌診断の問題点について,これまで多くの研究がなされてきた。 しかし、既存の文献はその正確さと時間を要する手続きに限界がある。 本研究は, 良性および悪性期における皮膚癌検出のバイナリ分類に, 5種類の事前学習型トランスファーラーニングアプローチを適用した。 これらのモデルの精度を高めるために、異なるレイヤとアクティベーション関数を微調整する。 我々は、トランスファー学習アプローチを評価するために、公開のISICデータセットを使用した。 モデル安定性のために、入力データセットのランダム性を改善するためにデータ拡張手法を適用した。 これらのアプローチは、バッチサイズ、エポック、オプティマイザなど、さまざまなハイパーパラメータを用いて評価される。 実験の結果、ResNet-50モデルは0.935、F1スコア0.86、精度0.94であることがわかった。

関連論文リスト

• 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)
• An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique [2.621434923709917]
  皮膚がんはDNA損傷によって引き起こされる重篤で致命的な病気である。 本研究では,皮膚病変の正確な分類を実現するための,Deep Learning(DL)に基づくハイブリッドフレームワークを提案する。 我々は92.27%の精度、92.33%の感度、92.22%の特異性、90.81%の精度、91.57%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2024-10-18T14:19:13Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• 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)
• Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
  本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-09-14T15:09:35Z)
• Domain-specific transfer learning in the automated scoring of tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
  腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。 この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-12-30T12:27:27Z)
• Improving Precancerous Case Characterization via Transformer-based Ensemble Learning [31.891340667123124]
  自然言語処理のがん病理学報告への応用は、がん症例の検出に焦点が当てられている。 先天性腺腫のキャラクタリゼーションの改善は、早期がんの検出と予防のための診断試験の開発を支援する。 以上の結果から,NLPを用いて早期がん予防のための診断試験の開発を促進できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-10T00:06:28Z)
• 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)
• New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor [1.4502611532302039]
  本研究は, 皮膚癌自動検出の課題を克服することを目的とする。 自動多段階テクスチャおよびディープ特徴ベースモデルを提案する。 選ばれた上位1000の機能は、10倍のクロスバリデーション技術を使って分類される。
  論文  参考訳（メタデータ） (2022-03-28T20:53:09Z)
• 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)

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。