論文の概要: Enhancing Skin Lesion Diagnosis with Ensemble Learning

• arxiv url: http://arxiv.org/abs/2409.04381v1
• Date: Fri, 6 Sep 2024 16:19:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 15:14:50.323273
• Title: Enhancing Skin Lesion Diagnosis with Ensemble Learning
• Title（参考訳）: アンサンブル学習による皮膚病変診断の強化
• Authors: Xiaoyi Liu, Zhou Yu, Lianghao Tan, Yafeng Yan, Ge Shi,
• Abstract要約: 本研究では,HAM10000データセットを用いて皮膚病変の診断を支援する深層学習手法の実装について検討した。 分類精度をさらに高めるために,最大投票,平均投票,積み重ねを用いたアンサンブルモデルを開発し,0.803,0.82,0.83の精度を得た。 最適性能のアンサンブル学習モデルであるスタックリングに基づいて,カスタマイズアーキテクチャと微調整を取り入れたモデルであるSkinNetを開発し,0.867の精度と0.96のAUCを実現した。
• 参考スコア（独自算出の注目度）: 15.569484546674776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skin lesions are an increasingly significant medical concern, varying widely in severity from benign to cancerous. Accurate diagnosis is essential for ensuring timely and appropriate treatment. This study examines the implementation of deep learning methods to assist in the diagnosis of skin lesions using the HAM10000 dataset, which contains seven distinct types of lesions. First, we evaluated three pre-trained models: MobileNetV2, ResNet18, and VGG11, achieving accuracies of 0.798, 0.802, and 0.805, respectively. To further enhance classification accuracy, we developed ensemble models employing max voting, average voting, and stacking, resulting in accuracies of 0.803, 0.82, and 0.83. Building on the best-performing ensemble learning model, stacking, we developed our proposed model, SkinNet, which incorporates a customized architecture and fine-tuning, achieving an accuracy of 0.867 and an AUC of 0.96. This substantial improvement over individual models demonstrates the effectiveness of ensemble learning in improving skin lesion classification.
• Abstract（参考訳）: 皮膚病変は、良性から癌への重症度で広く異なる、ますます重要な医学的関心事である。 正確な診断は、タイムリーかつ適切な治療の確保に不可欠である。 本研究では,7種類の病変を含むHAM10000データセットを用いて皮膚病変の診断を支援する深層学習手法の実装について検討した。 まず,MobileNetV2,ResNet18,VGG11の3つの事前学習モデルを評価し,それぞれ0.798,0.802,0.805の精度を実現した。 分類精度をさらに高めるために,最大投票,平均投票,積み重ねを用いたアンサンブルモデルを開発し,0.803,0.82,0.83の精度を得た。 最適性能のアンサンブル学習モデルであるスタックリングに基づいて,カスタマイズアーキテクチャと微調整を取り入れたモデルであるSkinNetを開発し,0.867の精度と0.96のAUCを実現した。 個々のモデルに対するこの大幅な改善は、皮膚病変分類の改善におけるアンサンブル学習の有効性を示す。

関連論文リスト

• 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)
• 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)
• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• Enhancing Skin Disease Classification Leveraging Transformer-based Deep Learning Architectures and Explainable AI [2.3149142745203326]
  皮膚疾患は世界の人口の3分の1以上に影響を与えるが、その影響は過小評価されることが多い。 深層学習技術は皮膚疾患の特定を含む様々なタスクに多くの可能性を示してきた。 この研究では、31のクラスを持つ皮膚疾患データセットを使用し、Vision Transformers、Swin Transformers、DivoV2のすべてのバージョンと比較した。
  論文  参考訳（メタデータ） (2024-07-20T05:38:00Z)
• Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
  ストロークは成人の障害と死亡の第二の要因である。 毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。 我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-07-19T11:17:42Z)
• SkinSAM: Empowering Skin Cancer Segmentation with Segment Anything Model [2.752682633344525]
  SkinSAMは、セグメンテーション性能の優れたセグメンテーションモデルに基づく微調整モデルである。 モデルは10015個の皮膚内視鏡画像を含むHAM10000データセットで検証される。
  論文  参考訳（メタデータ） (2023-04-27T06:42:59Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。