論文の概要: Pigment Network Detection and Classification in Dermoscopic Images Using Directional Imaging Algorithms and Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2601.11674v1
• Date: Fri, 16 Jan 2026 05:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.274251
• Title: Pigment Network Detection and Classification in Dermoscopic Images Using Directional Imaging Algorithms and Convolutional Neural Networks
• Title（参考訳）: 指向性画像アルゴリズムと畳み込みニューラルネットワークを用いた皮膚内視鏡画像の顔料ネットワーク検出と分類
• Authors: M. A. Rasel, Sameem Abdul Kareem, Unaizah Obaidellah,
• Abstract要約: 早期の黒色腫の診断は、皮膚内視鏡像の分析に大きく依存している。 正常(典型)と不規則(非典型)の色素ネットワーク(PN)の区別は困難である。 本研究の目的は,指向性画像を用いたPN検出プロセスの自動化と,機械学習分類器を用いたPNタイプ分類である。
• 参考スコア（独自算出の注目度）: 0.5225254533678073
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early diagnosis of melanoma, which can save thousands of lives, relies heavily on the analysis of dermoscopic images. One crucial diagnostic criterion is the identification of unusual pigment network (PN). However, distinguishing between regular (typical) and irregular (atypical) PN is challenging. This study aims to automate the PN detection process using a directional imaging algorithm and classify PN types using machine learning classifiers. The directional imaging algorithm incorporates Principal Component Analysis (PCA), contrast enhancement, filtering, and noise reduction. Applied to the PH2 dataset, this algorithm achieved a 96% success rate, which increased to 100% after pixel intensity adjustments. We created a new dataset containing only PN images from these results. We then employed two classifiers, Convolutional Neural Network (CNN) and Bag of Features (BoF), to categorize PN into atypical and typical classes. Given the limited dataset of 200 images, a simple and effective CNN was designed, featuring two convolutional layers and two batch normalization layers. The proposed CNN achieved 90% accuracy, 90% sensitivity, and 89% specificity. When compared to state-of-the-art methods, our CNN demonstrated superior performance. Our study highlights the potential of the proposed CNN model for effective PN classification, suggesting future research should focus on expanding datasets and incorporating additional dermatological features to further enhance melanoma diagnosis.
• Abstract（参考訳）: 数千人の命を救えるメラノーマの早期診断は、皮膚内視鏡画像の解析に大きく依存している。 診断基準の1つは、異常色素ネットワーク(PN)の同定である。 しかし、正規(典型)と不規則(非典型)のPNの区別は困難である。 本研究の目的は,指向性画像を用いたPN検出プロセスの自動化と,機械学習分類器を用いたPNタイプ分類である。 指向性イメージングアルゴリズムは、主成分分析(PCA)、コントラスト強化、フィルタリング、ノイズ低減を取り入れている。 PH2データセットに適用すると、このアルゴリズムは96%の成功率を達成し、ピクセル強度調整後に100%まで向上した。 これらの結果からPN画像のみを含む新しいデータセットを作成した。 次に、PNを非定型クラスと典型クラスに分類するために、CNN(Convolutional Neural Network)とBag of Features(BoF)という2つの分類器を使用した。 200イメージの限られたデータセットから、2つの畳み込み層と2つのバッチ正規化層を備えた、シンプルで効果的なCNNが設計された。 提案したCNNは90%の精度、90%の感度、および89%の特異性を達成した。 最先端の手法と比較すると,CNNは優れた性能を示した。 本研究は,CNNモデルによる効果的なPN分類の可能性を強調し,今後の研究は,データセットの拡大とメラノーマ診断のさらなる向上を目的とした皮膚科的特徴の付加に焦点をあてることを示唆している。

関連論文リスト

• Convolutional Neural Network-Based Automatic Classification of Colorectal and Prostate Tumor Biopsies Using Multispectral Imagery: System Development Study [7.566742780233967]
  生検標本の多スペクトル画像から大腸癌と前立腺腫瘍を分類するためのCNNモデルを提案する。 その結果,前立腺および大腸のデータセットの平均検査精度は99.8%と99.5%と優れた成績を示した。 提案したCNNアーキテクチャは,大腸癌と前立腺癌を分類する上で,最も優れたシステムであった。
  論文  参考訳（メタデータ） (2023-01-30T18:28:25Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Data Augmentation and CNN Classification For Automatic COVID-19 Diagnosis From CT-Scan Images On Small Dataset [0.0]
  肺CT画像からのCOVID1-19自動診断フレームワークを提案する。 本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。 トレーニング・検証データセットでは,患者の分類精度は93.39%である。
  論文  参考訳（メタデータ） (2021-08-16T15:23:00Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Harnessing spatial homogeneity of neuroimaging data: patch individual filter layers for CNNs [0.0]
  ニューラルネットワークにおける階層的抽象化の考え方と、ニューロイメージングデータの空間的均一性に先立って、新しいCNNアーキテクチャを提案する。 重みを共有せずに個々の画像領域(パッチ)でフィルタを学習することにより、PIF層は抽象的特徴をより早く、より少ないサンプルで学習することができる。
  論文  参考訳（メタデータ） (2020-07-23T10:11:43Z)

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。