論文の概要: Bluish Veil Detection and Lesion Classification using Custom Deep Learnable Layers with Explainable Artificial Intelligence (XAI)

• arxiv url: http://arxiv.org/abs/2507.07453v1
• Date: Thu, 10 Jul 2025 06:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.289068
• Title: Bluish Veil Detection and Lesion Classification using Custom Deep Learnable Layers with Explainable Artificial Intelligence (XAI)
• Title（参考訳）: 説明可能な人工知能(XAI)を用いた深層学習型ブラッシュベール検出と病変分類
• Authors: M. A. Rasel, Sameem Abdul Kareem, Zhenli Kwan, Shin Shen Yong, Unaizah Obaidellah,
• Abstract要約: メラノーマは最も致命的な種類の皮膚がんの1つで、世界中で数千人の死者を報告している。 青、青、白、青のベール(BWV)はメラノーマの診断に重要であるが、皮膚画像におけるBWVの検出は限られている。 本研究は,非注釈皮膚病変データセットを用いて,病変やカラーパレットのカラーしきい値に基づく画像解析アルゴリズムを用いて,注釈付きデータセットに変換する。 ディープ畳み込みニューラルネットワーク(DCNN)は、代わりにカスタムレイヤを使用して、3つの個人と組み合わせた皮膚科のデータセットを個別に設計し、訓練する。
• 参考スコア（独自算出の注目度）: 1.0136215038345013
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Melanoma, one of the deadliest types of skin cancer, accounts for thousands of fatalities globally. The bluish, blue-whitish, or blue-white veil (BWV) is a critical feature for diagnosing melanoma, yet research into detecting BWV in dermatological images is limited. This study utilizes a non-annotated skin lesion dataset, which is converted into an annotated dataset using a proposed imaging algorithm based on color threshold techniques on lesion patches and color palettes. A Deep Convolutional Neural Network (DCNN) is designed and trained separately on three individual and combined dermoscopic datasets, using custom layers instead of standard activation function layers. The model is developed to categorize skin lesions based on the presence of BWV. The proposed DCNN demonstrates superior performance compared to conventional BWV detection models across different datasets. The model achieves a testing accuracy of 85.71% on the augmented PH2 dataset, 95.00% on the augmented ISIC archive dataset, 95.05% on the combined augmented (PH2+ISIC archive) dataset, and 90.00% on the Derm7pt dataset. An explainable artificial intelligence (XAI) algorithm is subsequently applied to interpret the DCNN's decision-making process regarding BWV detection. The proposed approach, coupled with XAI, significantly improves the detection of BWV in skin lesions, outperforming existing models and providing a robust tool for early melanoma diagnosis.
• Abstract（参考訳）: メラノーマは最も致命的な種類の皮膚がんの1つで、世界中で数千人の死者を報告している。 青、青、白、青のベール(BWV)はメラノーマの診断に重要であるが、皮膚画像におけるBWVの検出は限られている。 本研究は,非注釈皮膚病変データセットを用いて,病変やカラーパレットのカラーしきい値に基づく画像解析アルゴリズムを用いて,注釈付きデータセットに変換する。 ディープ畳み込みニューラルネットワーク(DCNN)は、標準的なアクティベーション関数レイヤの代わりにカスタムレイヤを使用して、3つの個別と組み合わせた皮膚科のデータセットを個別に設計し、訓練する。 このモデルはBWVの存在に基づいて皮膚病変を分類するために開発された。 提案したDCNNは, 従来のBWV検出モデルと比較して, 性能が優れていることを示す。 このモデルは、強化されたPH2データセットで85.71%、強化されたISICアーカイブデータセットで95.00%、統合された(PH2+ISICアーカイブ)データセットで95.05%、Derm7ptデータセットで90.00%のテスト精度を達成する。 その後、BWV検出に関するDCNNの決定過程を解釈するために、説明可能な人工知能(XAI)アルゴリズムが適用される。 提案手法はXAIと組み合わせて皮膚病変のBWVの検出を著しく改善し,既存のモデルより優れ,早期メラノーマ診断のための堅牢なツールを提供する。

関連論文リスト

• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Enhancing Skin Disease Classification Leveraging Transformer-based Deep Learning Architectures and Explainable AI [2.3149142745203326]
  皮膚疾患は世界の人口の3分の1以上に影響を与えるが、その影響は過小評価されることが多い。 深層学習技術は皮膚疾患の特定を含む様々なタスクに多くの可能性を示してきた。 この研究では、31のクラスを持つ皮膚疾患データセットを使用し、Vision Transformers、Swin Transformers、DivoV2のすべてのバージョンと比較した。
  論文  参考訳（メタデータ） (2024-07-20T05:38:00Z)
• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms [0.9582755554309533]
  NIR分光法は皮膚病変の自動CADに代替的な情報源を提供する可能性がある。 皮膚病変に対するNIRスペクトルデータの公開データセットはない。 機械学習アルゴリズムXGBoost, CatBoost, LightGBM, 1D-convolutional Neural Network (1D-CNN) を用いて癌および非癌皮膚病変の分類を行った。
  論文  参考訳（メタデータ） (2024-01-02T13:03:39Z)
• Data-Driven Deep Supervision for Skin Lesion Classification [36.24996525103533]
  本稿では,ロバストな特徴抽出のために入力データを利用する新しいディープニューラルネットワークを提案する。 具体的には、畳み込みネットワークの挙動(視野)を分析し、深い監視の場所を見つける。
  論文  参考訳（メタデータ） (2022-09-04T03:57:08Z)
• 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)
• Leveraging Adaptive Color Augmentation in Convolutional Neural Networks for Deep Skin Lesion Segmentation [0.0]
  データ表現とモデル性能を増幅する適応色拡張手法を提案する。 正常な皮膚組織に対して皮膚病変を識別するためのネットワークによって得られた意味的構造的特徴を質的に同定し,検証した。
  論文  参考訳（メタデータ） (2020-10-31T00:16:23Z)
• AI outperformed every dermatologist: Improved dermoscopic melanoma diagnosis through customizing batch logic and loss function in an optimized Deep CNN architecture [2.572959153453185]
  本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。 これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。 このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
  論文  参考訳（メタデータ） (2020-03-05T13:19:13Z)

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。