論文の概要: In-Depth Analysis of Automated Acne Disease Recognition and Classification

• arxiv url: http://arxiv.org/abs/2503.02835v1
• Date: Tue, 04 Mar 2025 17:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:40.069804
• Title: In-Depth Analysis of Automated Acne Disease Recognition and Classification
• Title（参考訳）: オートマチックアシ疾患の診断と分類の深さ解析
• Authors: Afsana Ahsan Jeny, Masum Shah Junayed, Md Robel Mia, Md Baharul Islam,
• Abstract要約: 本稿では,アクネ認識と分類のための自動エキスパートシステムを提案する。 提案手法は,6種類の真菌疾患を分類・評価するために,機械学習に基づく手法を用いている。 実験の結果、ランダムフォレスト(RF)の精度は98.50%に達した。
• 参考スコア（独自算出の注目度）: 3.631115533197391
• License:
• Abstract: Facial acne is a common disease, especially among adolescents, negatively affecting both physically and psychologically. Classifying acne is vital to providing the appropriate treatment. Traditional visual inspection or expert scanning is time-consuming and difficult to differentiate acne types. This paper introduces an automated expert system for acne recognition and classification. The proposed method employs a machine learning-based technique to classify and evaluate six types of acne diseases to facilitate the diagnosis of dermatologists. The pre-processing phase includes contrast improvement, smoothing filter, and RGB to L*a*b color conversion to eliminate noise and improve the classification accuracy. Then, a clustering-based segmentation method, k-means clustering, is applied for segmenting the disease-affected regions that pass through the feature extraction step. Characteristics of these disease-affected regions are extracted based on a combination of gray-level co-occurrence matrix (GLCM) and Statistical features. Finally, five different machine learning classifiers are employed to classify acne diseases. Experimental results show that the Random Forest (RF) achieves the highest accuracy of 98.50%, which is promising compared to the state-of-the-art methods.
• Abstract（参考訳）: 顔面神経は、特に青年期には一般的な疾患であり、身体的にも心理的にも悪影響を及ぼす。 キツネの分類は適切な治療を行う上で不可欠である。 従来の視覚検査や専門的なスキャンは時間がかかり、あごの型を区別するのは難しい。 本稿では,アクネ認識と分類のための自動エキスパートシステムを提案する。 提案手法は, 皮膚科医の診断を容易にするために, 6種類の真菌病の分類と評価を行う機械学習技術を用いている。 前処理フェーズは、コントラスト改善、スムーズフィルタ、RGB〜L*a*b色変換を含み、ノイズを除去し、分類精度を向上させる。 次に, 特徴抽出工程を通過する病害領域のセグメンテーションに, クラスタリングに基づくクラスタリング方式, k平均クラスタリングを適用した。 グレーレベル共起マトリックス(GLCM)と統計的特徴の組み合わせにより,これらの疾患に影響を及ぼす領域の特徴を抽出した。 最後に、5つの異なる機械学習分類器を用いて、あご病の分類を行う。 実験の結果、ランダムフォレスト(RF)は98.50%の精度を達成しており、最先端の手法と比較して有望であることがわかった。

関連論文リスト

• Improving Acne Image Grading with Label Distribution Smoothing [55.987107678168535]
  難病の重症度評価には、典型的には病変数と世界的評価が含まれる。 画像グレーディングの有効な枠組みとしてラベル分布学習 (LDL) が提案されたが, その有効性は, 病変数を異なる重度尺度に割り当てる重度尺度によって阻害されている。 そこで本研究では,LCLとラベルスムースメントを組み合わせることで,重症度尺度情報を病変カウントに組み入れ,グローバルアセスメントから切り離すことを提案する。
  論文  参考訳（メタデータ） (2024-03-01T04:02:48Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions [16.65329510916639]
  皮膚病変分類における公平性を改善するための深層表現学習法であるCIRCLeを提案する。 6種類のフィッツパトリック皮膚型と114の疾患にまたがる16k以上の画像において,CIRCLeの最先端性よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-29T12:06:10Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Segmentation and ABCD rule extraction for skin tumors classification [0.0]
  悪性皮膚病変を鑑別するために臨床診断に用いたABCDルールに基づく自動診断システムを提案する。 このフレームワークは320枚の画像の皮膚科データベース [16] でテストされている。
  論文  参考訳（メタデータ） (2021-06-08T14:07:59Z)
• 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)

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。