論文の概要: Integrating Color Histogram Analysis and Convolutional Neural Network for Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2601.20869v1
• Date: Fri, 16 Jan 2026 03:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.575467
• Title: Integrating Color Histogram Analysis and Convolutional Neural Network for Skin Lesion Classification
• Title（参考訳）: 皮膚病変分類のためのカラーヒストグラム解析と畳み込みニューラルネットワークの統合
• Authors: M. A. Rasel, Sameem Abdul Kareem, Unaizah Obaidellah,
• Abstract要約: 疾患の重症度を示し,良性病変とメラノーマの鑑別に有効である。 そこで本研究では, PH2, ISIC2016, Med Nodeの3つの公開データセットから, 病変画素値のカラーヒストグラム解析手法を提案する。 次に、残りのスキップ接続を持つ19層畳み込みニューラルネットワーク(CNN)を設計、訓練し、現在存在する色数に基づいて病変を3つのカテゴリに分類する。
• 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: The color of skin lesions is an important diagnostic feature for identifying malignant melanoma and other skin diseases. Typical colors associated with melanocytic lesions include tan, brown, black, red, white, and blue gray. This study introduces a novel feature: the number of colors present in a lesion, which can indicate the severity of disease and help distinguish melanomas from benign lesions. We propose a color histogram analysis method to examine lesion pixel values from three publicly available datasets: PH2, ISIC2016, and Med Node. The PH2 dataset contains ground truth annotations of lesion colors, while ISIC2016 and Med Node do not; our algorithm estimates the ground truth using color histogram analysis based on PH2. We then design and train a 19 layer Convolutional Neural Network (CNN) with residual skip connections to classify lesions into three categories based on the number of colors present. DeepDream visualization is used to interpret features learned by the network, and multiple CNN configurations are tested. The best model achieves a weighted F1 score of 75 percent. LIME is applied to identify important regions influencing model decisions. The results show that the number of colors in a lesion is a significant feature for describing skin conditions, and the proposed CNN with three skip connections demonstrates strong potential for clinical diagnostic support.
• Abstract（参考訳）: 皮膚病変の色は悪性黒色腫および他の皮膚疾患を同定する上で重要な診断的特徴である。 メラノサイト性病変に関連する典型的な色は、黄褐色、茶色、黒、赤、白、青灰色である。 疾患の重症度を示し,良性病変とメラノーマの鑑別に有効である。 そこで本研究では, PH2, ISIC2016, Med Nodeの3つの公開データセットから, 病変画素値のカラーヒストグラム解析手法を提案する。 IIC2016 と Med Node では, PH2 に基づく色ヒストグラム解析を用いて, 基底真理を推定する。 次に、残りのスキップ接続を持つ19層畳み込みニューラルネットワーク(CNN)を設計、訓練し、現在存在する色数に基づいて病変を3つのカテゴリに分類する。 DeepDreamビジュアライゼーションは、ネットワークから学んだ機能を解釈するために使用され、複数のCNN構成がテストされる。 ベストモデルでは、重み付けされたF1スコアが75%に達する。 LIMEは、モデル決定に影響を与える重要な領域を特定するために用いられる。 以上の結果から, 皮膚症状を説明する上では, 病変の色数が重要な特徴であることが示唆され, 3つのスキップ接続を有するCNNが臨床診断支援に強い可能性を示唆している。

関連論文リスト

• Improving Diagnostic Accuracy of Pigmented Skin Lesions With CNNs: an Application on the DermaMNIST Dataset [0.0]
  本研究では、DermaMNISTを用いたマルチクラス分類のためのResNet-50およびEfficientNetV2Lモデルを評価する。 本研究は、畳み込みニューラルネットワーク(CNN)が生体画像解析の進歩を加速させ、診断精度を大幅に向上させることを示唆している。
  論文  参考訳（メタデータ） (2025-07-17T10:00:07Z)
• 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)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• HierAttn: Effectively Learn Representations from Stage Attention and Branch Attention for Skin Lesions Diagnosis [18.026088450803258]
  皮膚がんの早期診断と治療には, 皮膚病変の正確な非バイアス検査が重要である。 最近の研究では、画像の早期診断のための分類のために、アンサンブル畳み込みニューラルネットワーク(CNN)が開発されている。 階層型および自己注意型ニューラルネットワークであるHierAttnを紹介する。
  論文  参考訳（メタデータ） (2022-05-09T14:30:34Z)
• H&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin & Eosin regression [1.7371375427784381]
  本稿では,様々な色の変化を含むデータに基づいて,畳み込みニューラルネットワーク(CNN)を学習する新しい手法を提案する。 H&E-adversarial CNNと呼ばれるこの手法は、トレーニング中にH&Eマトリックス情報を利用して、染色不変の特徴を学習する。
  論文  参考訳（メタデータ） (2022-01-17T10:34:23Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。