Fugu-MT 論文翻訳(概要): Lightweight Deep Models for Dermatological Disease Detection: A Study on Instance Selection and Channel Optimization

論文の概要: Lightweight Deep Models for Dermatological Disease Detection: A Study on Instance Selection and Channel Optimization

arxiv url: http://arxiv.org/abs/2504.01208v1
Date: Tue, 01 Apr 2025 21:47:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-03 13:23:27.924970
Title: Lightweight Deep Models for Dermatological Disease Detection: A Study on Instance Selection and Channel Optimization
Title（参考訳）: 皮膚疾患検出のための軽量深部モデル:事例選択とチャンネル最適化に関する研究
Authors: Ian Mateos Gonzalez, Estefani Jaramilla Nava, Abraham Sánchez Morales, Jesús García-Ramírez, Ricardo Ramos-Aguilar,
Abstract要約: 本稿では,分類段階の品質向上のために,DermaMNISTデータセットを前処理する手法を提案する。その結果,ResNetと類似したモデルの性能を得るため,ニューラルネットワークトレーニングのインスタンス数を削減した。
参考スコア（独自算出の注目度）: 0.20971479389679337
License:
Abstract: The identification of dermatological disease is an important problem in Mexico according with different studies. Several works in literature use the datasets of different repositories without applying a study of the data behavior, especially in medical images domain. In this work, we propose a methodology to preprocess dermaMNIST dataset in order to improve its quality for the classification stage, where we use lightweight convolutional neural networks. In our results, we reduce the number of instances for the neural network training obtaining a similar performance of models as ResNet.
Abstract（参考訳）: 皮膚科疾患の同定は、異なる研究によってメキシコにおいて重要な問題である。文献におけるいくつかの研究は、特に医療画像領域において、データ挙動の研究を適用することなく、異なるリポジトリのデータセットを使用する。本研究では,軽度畳み込みニューラルネットワークを用いた分類段階の品質向上のために,DermaMNISTデータセットを前処理する手法を提案する。その結果,ResNetと類似したモデルの性能を得るため,ニューラルネットワークトレーニングのインスタンス数を削減した。

関連論文リスト

Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文参考訳（メタデータ） (2024-04-02T13:42:29Z)
A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文参考訳（メタデータ） (2022-10-29T19:03:01Z)
Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文参考訳（メタデータ） (2022-04-04T17:37:54Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
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)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Two-Stage Resampling for Convolutional Neural Network Training in the Imbalanced Colorectal Cancer Image Classification [1.8275108630751844]
データ不均衡は、現代の機械学習におけるオープンな課題の1つだ。データ不均衡を扱う従来のデータレベルのアプローチは、画像データには適していない。オーバーサンプリングとアンダーサンプリングに関わる問題を緩和する新しい2段階リサンプリング手法を提案する。
論文参考訳（メタデータ） (2020-04-07T13:11:17Z)

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。