論文の概要: An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique

• arxiv url: http://arxiv.org/abs/2410.14489v2
• Date: Tue, 29 Oct 2024 12:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:37:25.609959
• Title: An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique
• Title（参考訳）: ハイブリッド特徴融合法による皮膚癌検出のための統合的深層学習モデル
• Authors: Maksuda Akter, Rabea Khatun, Md. Alamin Talukder, Md. Manowarul Islam, Md. Ashraf Uddin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.621434923709917
• License:
• Abstract: Skin cancer is a serious and potentially fatal disease caused by DNA damage. Early detection significantly increases survival rates, making accurate diagnosis crucial. In this groundbreaking study, we present a hybrid framework based on Deep Learning (DL) that achieves precise classification of benign and malignant skin lesions. Our approach begins with dataset preprocessing to enhance classification accuracy, followed by training two separate pre-trained DL models, InceptionV3 and DenseNet121. By fusing the results of each model using the weighted sum rule, our system achieves exceptional accuracy rates. Specifically, we achieve a 92.27% detection accuracy rate, 92.33% sensitivity, 92.22% specificity, 90.81% precision, and 91.57% F1-score, outperforming existing models and demonstrating the robustness and trustworthiness of our hybrid approach. Our study represents a significant advance in skin cancer diagnosis and provides a promising foundation for further research in the field. With the potential to save countless lives through earlier detection, our hybrid deep-learning approach is a game-changer in the fight against skin cancer.
• Abstract（参考訳）: 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。 早期発見は生存率を著しく増加させ、正確な診断を重要視する。 本稿では,良性皮膚病変と悪性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。 我々のアプローチは、分類精度を高めるためにデータセット前処理から始まり、続いて2つのトレーニング済みDLモデルであるInceptionV3とDenseNet121をトレーニングする。 重み付き和則を用いて各モデルの結果を融合させることにより,本システムは例外的な精度を達成できる。 具体的には、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スコアを達成し、既存のモデルより優れ、我々のハイブリッドアプローチの堅牢性と信頼性を示す。 本研究は皮膚癌診断の進歩を示すものであり,今後の研究の基盤として期待できるものである。 早期発見によって無数の命を救える可能性があり、私たちのハイブリッドディープラーニングアプローチは、皮膚がんとの戦いにおけるゲームチェンジャーです。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• 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)
• Enhancing Skin Lesion Diagnosis with Ensemble Learning [15.569484546674776]
  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。
  論文  参考訳（メタデータ） (2024-09-06T16:19:01Z)
• Hybrid Deep Learning Framework for Enhanced Melanoma Detection [3.004788114489393]
  本研究の目的は, メラノーマ検出の精度と効率を, 革新的なハイブリッドアプローチにより向上させることである。 我々は、HAM10000データセットを使用して、U-Netモデルを綿密に訓練し、癌領域を正確に分類することができる。 我々はISIC 2020データセットを用いてEfficientNetモデルをトレーニングし、皮膚がんのバイナリ分類に最適化する。
  論文  参考訳（メタデータ） (2024-07-16T04:58:47Z)
• Skin Cancer Images Classification using Transfer Learning Techniques [0.0]
  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。
  論文  参考訳（メタデータ） (2024-06-18T15:48:20Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Visualizing CoAtNet Predictions for Aiding Melanoma Detection [0.0]
  本稿では,CoAtNetアーキテクチャを用いたマルチクラス分類タスクを提案する。 全体的な精度は0.901, 0.895, AP 0.923で、他の最先端ネットワークと比較して高い性能を示している。
  論文  参考訳（メタデータ） (2022-05-21T06:41:52Z)
• 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)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。