Fugu-MT 論文翻訳(概要): Lesion Elevation Prediction from Skin Images Improves Diagnosis

論文の概要: Lesion Elevation Prediction from Skin Images Improves Diagnosis

arxiv url: http://arxiv.org/abs/2408.02792v1
Date: Mon, 5 Aug 2024 19:19:29 GMT
ステータス: 処理完了
システム内更新日: 2024-08-07 15:48:36.994002
Title: Lesion Elevation Prediction from Skin Images Improves Diagnosis
Title（参考訳）: 皮膚画像からの病変上昇予測は診断を改善する
Authors: Kumar Abhishek, Ghassan Hamarneh,
Abstract要約: 深層学習モデルを用いて2次元皮膚病変画像から画像レベルの病変標高ラベルを予測する。以上の結果より,AUROCは6.29%,AUROCは2.69%に改善した。
参考スコア（独自算出の注目度）: 18.536449533612235
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While deep learning-based computer-aided diagnosis for skin lesion image analysis is approaching dermatologists' performance levels, there are several works showing that incorporating additional features such as shape priors, texture, color constancy, and illumination further improves the lesion diagnosis performance. In this work, we look at another clinically useful feature, skin lesion elevation, and investigate the feasibility of predicting and leveraging skin lesion elevation labels. Specifically, we use a deep learning model to predict image-level lesion elevation labels from 2D skin lesion images. We test the elevation prediction accuracy on the derm7pt dataset, and use the elevation prediction model to estimate elevation labels for images from five other datasets: ISIC 2016, 2017, and 2018 Challenge datasets, MSK, and DermoFit. We evaluate cross-domain generalization by using these estimated elevation labels as auxiliary inputs to diagnosis models, and show that these improve the classification performance, with AUROC improvements of up to 6.29% and 2.69% for dermoscopic and clinical images, respectively. The code is publicly available at https://github.com/sfu-mial/LesionElevation.
Abstract（参考訳）: 深層学習による皮膚病変画像解析のためのコンピュータ支援診断が皮膚科医のパフォーマンスレベルに近づいている一方で, 形状, テクスチャ, 色濃度, 照明などの付加的な特徴を取り入れることで, 病変診断性能がさらに向上することを示す研究がいくつかある。本研究は, 皮膚病変の上昇を予測し, 有効性について検討し, 皮膚病変の上昇ラベルの予測と活用の可能性について検討する。具体的には、深層学習モデルを用いて、2次元皮膚病変画像から画像レベルの病変標高ラベルを予測する。我々は,Derm7ptデータセットの標高予測精度を検証し,標高予測モデルを用いて,ISIC 2016, 2017, 2018 Challengeデータセット, MSK, DermoFitの5つのデータセットの標高ラベルを推定する。診断モデルに対する補助的な入力として, これらの評価値を用いたクロスドメイン一般化の評価を行い, AUROC が6.29%, 2.69%まで改善し, 分類性能が向上したことを示す。コードはhttps://github.com/sfu-mial/LesionElevation.comで公開されている。

関連論文リスト

PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels [0.12233362977312943]
我々は,皮膚条件画像の分類精度と公平性を高めるために,新しいアプローチであるPatchAlignを導入する。 PatchAlignは、グラフ最適トランスポート(GOT)ロスを正規化子として、クロスドメインアライメントを実行する。皮膚の音色間の正の正の比率の公平性は一貫して向上する。
論文参考訳（メタデータ） (2024-09-08T05:00:37Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
Revamping AI Models in Dermatology: Overcoming Critical Challenges for Enhanced Skin Lesion Diagnosis [8.430482797862926]
我々は、分散-textbfClinical TriageモデルのオールインワンのtextbfHierarchical-textbfOutを示す。臨床画像では,階層的予測,アウト・オブ・ディストリビューション画像の警告,皮膚内視鏡の推奨の3つの出力を生成する。我々の汎用モデルは、病変診断のための貴重な意思決定支援を提供し、医療AI応用の有望な先例を定めている。
論文参考訳（メタデータ） (2023-11-02T06:08:49Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
論文参考訳（メタデータ） (2023-05-16T15:34:12Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
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)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)
Analysis of skin lesion images with deep learning [0.0]
内視鏡画像の分類における美術の現状を評価します。 ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
論文参考訳（メタデータ） (2021-01-11T10:58:36Z)
Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。提案手法は皮膚病変分節の精度を向上させるのに役立つ。以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文参考訳（メタデータ） (2020-12-28T14:43:04Z)

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。