論文の概要: Deeply Dual Supervised learning for melanoma recognition

• arxiv url: http://arxiv.org/abs/2508.01994v1
• Date: Mon, 04 Aug 2025 02:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.14635
• Title: Deeply Dual Supervised learning for melanoma recognition
• Title（参考訳）: メラノーマ認識のための深層的2次元指導学習
• Authors: Rujosh Polma, Krishnan Menon Iyer,
• Abstract要約: 悪性黒色腫の診断は注目され,診断精度が向上する可能性が示唆された。 本稿では,局所的特徴抽出とグローバルな特徴抽出を統合し,メラノーマ認識を向上させる新しいDeeply Dual Supervised Learningフレームワークを提案する。 われわれのフレームワークはメラノーマ検出における最先端の手法よりも優れており, 精度が高く, 偽陽性に対するレジリエンスも良好である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the application of deep learning in dermatology continues to grow, the recognition of melanoma has garnered significant attention, demonstrating potential for improving diagnostic accuracy. Despite advancements in image classification techniques, existing models still face challenges in identifying subtle visual cues that differentiate melanoma from benign lesions. This paper presents a novel Deeply Dual Supervised Learning framework that integrates local and global feature extraction to enhance melanoma recognition. By employing a dual-pathway structure, the model focuses on both fine-grained local features and broader contextual information, ensuring a comprehensive understanding of the image content. The framework utilizes a dual attention mechanism that dynamically emphasizes critical features, thereby reducing the risk of overlooking subtle characteristics of melanoma. Additionally, we introduce a multi-scale feature aggregation strategy to ensure robust performance across varying image resolutions. Extensive experiments on benchmark datasets demonstrate that our framework significantly outperforms state-of-the-art methods in melanoma detection, achieving higher accuracy and better resilience against false positives. This work lays the foundation for future research in automated skin cancer recognition and highlights the effectiveness of dual supervised learning in medical image analysis.
• Abstract（参考訳）: 皮膚科における深層学習の適用が拡大し続けており、メラノーマの認識が注目され、診断精度の向上の可能性が示唆されている。 画像分類技術の進歩にもかかわらず、既存のモデルは、良性病変とメラノーマを区別する微妙な視覚的手がかりを識別する上で、依然として課題に直面している。 本稿では,局所的特徴抽出とグローバルな特徴抽出を統合し,メラノーマ認識を向上させる新しいDeeply Dual Supervised Learningフレームワークを提案する。 デュアル・パスウェイ構造を用いることで、このモデルは、きめ細かい局所特徴とより広い文脈情報の両方に焦点を当て、画像内容の包括的理解を確保する。 このフレームワークは、重要な特徴を動的に強調する二重注意機構を利用しており、メラノーマの微妙な特徴を見渡すリスクを低減する。 さらに,画像解像度の異なるマルチスケール機能アグリゲーション戦略を導入する。 ベンチマークデータセットの大規模な実験により、我々のフレームワークはメラノーマ検出における最先端の手法を著しく上回り、精度が高く、偽陽性に対するレジリエンスも向上していることが示された。 本研究は, 皮膚癌自動認識研究の基盤を築き, 医用画像解析における二重教師あり学習の有効性を強調した。

関連論文リスト

• Latent Space Analysis for Melanoma Prevention [5.441932327359051]
  メラノーマは重要な健康リスクであり、早期に解釈可能な診断ツールの必要性を強調している。 この研究は、分類を超えた新しいアプローチを導入し、解釈可能なリスクモデリングを可能にした。 提案手法は, 病変間の意味的関係を捉える構造的潜在空間を学習し, 形態的差異の連続的評価を可能にする。
  論文  参考訳（メタデータ） (2025-06-23T08:49:57Z)
• Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
  テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。 提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。 CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-11-16T21:32:51Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• 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)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Risk stratification of malignant melanoma using neural networks [0.4397520291340695]
  本稿では,AUROC値が0.78まで向上する画像ベース手法について述べる。 ハードウェアコンポーネントに依存しないユーザビリティを実現することが重要であるため,2つの異なるイメージソース間のドメインギャップの重要性が考慮されている。
  論文  参考訳（メタデータ） (2023-05-15T20:59:44Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• 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)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition [34.59452639480664]
  メラノーマ診断は、有用な皮膚科臨床知識を学習プロセスに組み込むことが困難であるため、依然として難しい課題である。 本稿では,2つの重要なメラノーマ診断タスクの協調学習に臨床知識を取り入れた新しい知識認識深層フレームワークを提案する。 2つの公開皮膚病変データセットの実験結果から,メラノーマ解析法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-07T09:33:45Z)
• 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)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。