論文の概要: Optimizing Neuro-Fuzzy and Colonial Competition Algorithms for Skin Cancer Diagnosis in Dermatoscopic Images

• arxiv url: http://arxiv.org/abs/2505.08886v1
• Date: Tue, 13 May 2025 18:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.266025
• Title: Optimizing Neuro-Fuzzy and Colonial Competition Algorithms for Skin Cancer Diagnosis in Dermatoscopic Images
• Title（参考訳）: 皮膚内視鏡画像における皮膚癌診断のための神経ファジィと大腸競合アルゴリズムの最適化
• Authors: Hamideh Khaleghpour, Brett McKinney,
• Abstract要約: 本研究の目的は,画像処理技術と機械学習アルゴリズムの融合によるギャップを埋めることである。 また,ISICデータベースの皮膚内視鏡画像にも適用し,その精度は94%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rising incidence of skin cancer, coupled with limited public awareness and a shortfall in clinical expertise, underscores an urgent need for advanced diagnostic aids. Artificial Intelligence (AI) has emerged as a promising tool in this domain, particularly for distinguishing malignant from benign skin lesions. Leveraging publicly available datasets of skin lesions, researchers have been developing AI-based diagnostic solutions. However, the integration of such computer systems in clinical settings is still nascent. This study aims to bridge this gap by employing a fusion of image processing techniques and machine learning algorithms, specifically neuro-fuzzy and colonial competition approaches. Applied to dermoscopic images from the ISIC database, our method achieved a notable accuracy of 94% on a dataset of 560 images. These results underscore the potential of our approach in aiding clinicians in the early detection of melanoma, thereby contributing significantly to skin cancer diagnostics.
• Abstract（参考訳）: 皮膚がんの発生が増加し、公衆の認識が限られ、臨床専門知識の不足が相まって、高度な診断支援の緊急の必要性が浮き彫りになっている。 人工知能(AI)はこの領域で有望なツールとして現れており、特に良性皮膚病変と悪性腫瘍を区別している。 皮膚病変の公開データセットを活用することで、AIベースの診断ソリューションの開発が進められている。 しかし、そのようなコンピュータシステムの臨床環境への統合はいまだに始まったばかりである。 本研究の目的は,画像処理技術と機械学習アルゴリズムの融合,特にニューロファジィとコロニーの競合アプローチを用いて,このギャップを埋めることである。 本手法はISICデータベースの皮膚内視鏡画像に対して, 560画像のデータセットに対して, 94%の精度で得られた。 これらの結果から,早期に黒色腫が検出され,皮膚癌の診断に大きく寄与する可能性が示唆された。

関連論文リスト

• AI in Oncology: Transforming Cancer Detection through Machine Learning and Deep Learning Applications [0.3937575566991286]
  本稿では,従来の診断技術の限界について検討し,がんの診断・治療におけるAIの変革的役割について考察する。 この研究は、放射線医学におけるAIの適用を、癌の詳細な特徴、関連するリスクを特定するための予測分析、即時診断のためのアルゴリズム駆動ロボットの開発に応用することを目的としている。 このプラットフォームの包括的な目標は、専門家の推薦の開発を支援し、普遍的で効率的な診断手順を提供することである。
  論文  参考訳（メタデータ） (2025-01-26T11:32:43Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• 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)
• Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
  我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。 CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
  論文  参考訳（メタデータ） (2023-06-03T09:05:35Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Towards Realization of Augmented Intelligence in Dermatology: Advances and Future Directions [0.0]
  ディープラーニングを用いた人工知能(AI)アルゴリズムは皮膚疾患の画像の分類を進歩させた。 これらのアルゴリズムは、主に「シリコ」で適用され、臨床的に検証されていない。
  論文  参考訳（メタデータ） (2021-05-21T17:39:16Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。