Fugu-MT 論文翻訳(概要): Melanoma Detection with Uncertainty Quantification

論文の概要: Melanoma Detection with Uncertainty Quantification

arxiv url: http://arxiv.org/abs/2411.10322v1
Date: Fri, 15 Nov 2024 16:22:32 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-18 15:38:02.757549
Title: Melanoma Detection with Uncertainty Quantification
Title（参考訳）: 不確かさ定量化によるメラノーマ検出
Authors: SangHyuk Kim, Edward Gaibor, Brian Matejek, Daniel Haehn,
Abstract要約: 現在のメラノーマ検出ツールは、しばしば複数のデータセットの完全な統合を見落としている。公開データセットを組み合わせることで、データの多様性を向上し、多数の実験でさまざまな分類器を訓練し評価することができます。ベンチマークデータセットの実験では、不確実性に基づく拒絶を適用した後、93.2%前、97.8%の精度を示した。
参考スコア（独自算出の注目度）: 3.0011388623776027
License:
Abstract: Early detection of melanoma is crucial for improving survival rates. Current detection tools often utilize data-driven machine learning methods but often overlook the full integration of multiple datasets. We combine publicly available datasets to enhance data diversity, allowing numerous experiments to train and evaluate various classifiers. We then calibrate them to minimize misdiagnoses by incorporating uncertainty quantification. Our experiments on benchmark datasets show accuracies of up to 93.2% before and 97.8% after applying uncertainty-based rejection, leading to a reduction in misdiagnoses by over 40.5%. Our code and data are publicly available, and a web-based interface for quick melanoma detection of user-supplied images is also provided.
Abstract（参考訳）: メラノーマの早期発見は生存率の向上に不可欠である。現在の検出ツールは、しばしばデータ駆動機械学習手法を使用するが、複数のデータセットの完全な統合を見落としていることが多い。公開データセットを組み合わせることで、データの多様性を高め、多数の実験でさまざまな分類器を訓練し評価することができます。その後、不確実な定量化を取り入れて誤診断を最小限にするために校正する。ベンチマークデータセットの実験では、不確実性に基づく拒絶を適用した後、最大93.2%の精度と97.8%の精度を示し、誤診を40.5%以上削減した。コードとデータは公開されており、ユーザが提供する画像の迅速なメラノーマ検出のためのWebベースのインターフェースも提供される。

関連論文リスト

Detection of Intracranial Hemorrhage for Trauma Patients [1.0074894923170512]
本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
論文参考訳（メタデータ） (2024-08-20T12:03:59Z)
Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
論文参考訳（メタデータ） (2024-08-15T23:46:37Z)
Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
論文参考訳（メタデータ） (2024-08-15T13:26:13Z)
Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration [2.626662270750483]
Data Alchemyは、テンプレート学習フレームワークによるテスト時間データキャリブレーションと組み合わせて、説明可能な染色正規化手法である。我々のフレームワークは、最小限の運用オーバーヘッドで精密医療を普及させることができる。
論文参考訳（メタデータ） (2024-07-18T16:03:59Z)
A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
論文参考訳（メタデータ） (2023-04-29T12:25:10Z)
Leveraging Contextual Data Augmentation for Generalizable Melanoma Detection [0.0]
本稿では,プロの皮膚科学における重要な属性であるモールサイズが,メラノーマの自動検出において誤解を招く可能性があることを論じる。この実装では、不正なパラメータに過度に適合しないように、さまざまなデータ拡張手順を実行するカスタムモデルを提案する。
論文参考訳（メタデータ） (2022-12-09T20:45:09Z)
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)
Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
論文参考訳（メタデータ） (2021-10-12T16:25:50Z)
ReLearn: A Robust Machine Learning Framework in Presence of Missing Data for Multimodal Stress Detection from Physiological Signals [5.042598205771715]
マルチモーダル生理学的信号から抽出したバイオマーカーからのストレス検出のための堅牢な機械学習フレームワークであるReLearnを提案する。 ReLearnは、トレーニングと推論フェーズの両方において、欠落したデータと外れ値に効果的に対処する。提案手法は,50%以上のサンプルが欠落している場合でも,86.8%のクロスバリデーション精度が得られることを示す。
論文参考訳（メタデータ） (2021-04-29T11:53:01Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。