論文の概要: Deep Learning for Dermatology: An Innovative Framework for Approaching Precise Skin Cancer Detection

• arxiv url: http://arxiv.org/abs/2602.17797v1
• Date: Thu, 19 Feb 2026 19:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.125181
• Title: Deep Learning for Dermatology: An Innovative Framework for Approaching Precise Skin Cancer Detection
• Title（参考訳）: 皮膚科のための深層学習 : 精密皮膚がん検出のための革新的枠組み
• Authors: Mohammad Tahmid Noor, B. M. Shahria Alam, Tasmiah Rahman Orpa, Shaila Afroz Anika, Mahjabin Tasnim Samiha, Fahad Ahammed,
• Abstract要約: 世界規模では、皮膚がんが最も多いがんと認識され、毎年何百万人もの人が診断されている。 良性皮膚斑点と悪性皮膚斑点について,VGG16とDenseNet201の2つの顕著な深層学習モデルの応用について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin cancer can be life-threatening if not diagnosed early, a prevalent yet preventable disease. Globally, skin cancer is perceived among the finest prevailing cancers and millions of people are diagnosed each year. For the allotment of benign and malignant skin spots, an area of critical importance in dermatological diagnostics, the application of two prominent deep learning models, VGG16 and DenseNet201 are investigated by this paper. We evaluate these CNN architectures for their efficacy in differentiating benign from malignant skin lesions leveraging enhancements in deep learning enforced to skin cancer spotting. Our objective is to assess model accuracy and computational efficiency, offering insights into how these models could assist in early detection, diagnosis, and streamlined workflows in dermatology. We used two deep learning methods DenseNet201 and VGG16 model on a binary class dataset containing 3297 images. The best result with an accuracy of 93.79% achieved by DenseNet201. All images were resized to 224x224 by rescaling. Although both models provide excellent accuracy, there is still some room for improvement. In future using new datasets, we tend to improve our work by achieving great accuracy.
• Abstract（参考訳）: 皮膚がんは早期に診断されないと致命的でありうるが、予防可能な疾患である。 世界規模では、皮膚がんが最も多いがんと認識され、毎年何百万人もの人が診断されている。 良性皮膚斑点と悪性皮膚斑点について,皮膚科診断において重要な領域であるVGG16とDenseNet201の2つの顕著な深層学習モデルの適用について検討した。 我々はこれらのCNNアーキテクチャーを,皮膚がんスポッティングによる深層学習の強化を生かした悪性皮膚病変の良性鑑別に有効であるとして評価した。 我々の目的は、モデル精度と計算効率を評価し、これらのモデルが皮膚科における早期発見、診断、合理化ワークフローをどのように支援できるかについての洞察を提供することである。 DenseNet201とVGG16モデルの2つのディープラーニング手法を3297画像を含むバイナリクラスデータセットに使用した。 DenseNet201の精度は93.79%である。 すべての画像は再スケーリングにより224x224にリサイズされた。 どちらのモデルも精度は優れているが、改善の余地はある。 将来的には、大きな精度で作業を改善することで、作業を改善する傾向があります。

関連論文リスト

• DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [92.66916452260553]
  DermNIOは皮膚科学の多目的基盤モデルである。 自己教師型学習パラダイムを増強する、新しいハイブリッド事前学習フレームワークが組み込まれている。 さまざまなタスクにおいて、最先端のモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-17T00:41:39Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
  ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。 本稿では,CNNを用いた皮膚病変分類問題について検討する。 本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-04-01T15:06:20Z)
• Skin Cancer Segmentation and Classification Using Vision Transformer for Automatic Analysis in Dermatoscopy-based Non-invasive Digital System [0.0]
  本研究では,Vision Transformerを用いた皮膚癌分類における画期的なアプローチを提案する。 Vision Transformerは、多様な画像解析タスクの成功で有名な最先端のディープラーニングアーキテクチャである。 Segment Anything Modelは、癌領域の正確なセグメンテーションを支援し、高いIOUとDice Coefficientを達成する。
  論文  参考訳（メタデータ） (2024-01-09T11:22:54Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• MEDNC: Multi-ensemble deep neural network for COVID-19 diagnosis [29.909378035039214]
  我々は,CT画像を用いた新型コロナウイルスの自動予測と診断のための深層学習フレームワークMEDNCを提案する。 当社のモデルは、COVID-19データの公開セットを2つ使用してトレーニングされました。 その結果、MEDNCは新型コロナウイルス感染症の検出を大幅に強化し、それぞれ98.79%と99.82%の精度に達した。
  論文  参考訳（メタデータ） (2023-04-25T20:26:05Z)
• Multi-class Skin Cancer Classification Architecture Based on Deep Convolutional Neural Network [2.4469484645516837]
  本稿では,異なる種類の皮膚病変を正確に同定するコンピュータによる深層学習手法を提案する。 ディープラーニングアプローチは、モデルが画像の各ピクセルを学習するため、皮膚がんを極めて正確に検出することができる。 いくつかのディープラーニングモデルには制限があり、モデルが偽陽性の結果に導かれる。
  論文  参考訳（メタデータ） (2023-03-13T23:16:18Z)
• EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for Image Classification Evaluation [29.162527503224364]
  大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。 本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。 従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
  論文  参考訳（メタデータ） (2022-02-17T09:53:02Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• DenseNet approach to segmentation and classification of dermatoscopic skin lesions images [0.0]
  本稿では,2つのアーキテクチャを用いた皮膚病変の分類と分類の改善手法を提案する。 U-NetとDenseNet121の組み合わせは、皮膚内視鏡画像解析において許容できる結果を提供する。 DenseNet121ネットワークでは、それぞれ79.49%と93.11%の精度で癌と非癌サンプルが検出された。
  論文  参考訳（メタデータ） (2021-10-09T19:12:23Z)

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。