論文の概要: Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images

• arxiv url: http://arxiv.org/abs/2606.17504v1
• Date: Thu, 11 Jun 2026 15:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.263797
• Title: Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images
• Title（参考訳）: 皮膚内視鏡画像を用いた高感度メラノーマ検出のためのResNet50の2段階微調整
• Authors: Aryan Bhagat,
• Abstract要約: メラノーマは5年生存率99%を超える最も危険な皮膚癌である。 本稿では,2次メラノーマ分類に応用したResNet50の2段階微調整手法の提案と評価を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Melanoma is the most dangerous form of skin cancer with five-year survival rates exceeding 99% when detected early but falling sharply once the disease spreads. This paper proposes and evaluates a two-stage fine-tuning approach for ResNet50 applied to binary melanoma classification on dermoscopic images. The core challenges addressed are class imbalance and suboptimal transfer learning from single-stage fine-tuning. After stratified train/validation/test splitting, random oversampling was applied exclusively to the training set to achieve a 1:1 class balance. Stage 1 trained only the classification head with the ResNet50 base frozen, while Stage 2 fine-tuned all layers jointly at a low learning rate of 1e-5 to prevent catastrophic forgetting of learned visual features. On an independent test set of 3,826 images, the model achieved an AUC-ROC of 0.9559, accuracy of 88.34%, sensitivity of 87.56%, specificity of 89.13%, and F1-score of 88.29%. An ablation study confirms the two-stage protocol significantly outperforms single-stage fine-tuning, with sensitivity gains of over 4%. Grad-CAM visualizations demonstrate correct lesion localization. A fully deployable Streamlit detection application is provided alongside all training code.
• Abstract（参考訳）: メラノーマは5年生存率99%を超える最も危険な皮膚癌である。 本稿では,2次メラノーマ分類に応用したResNet50の2段階微調整手法の提案と評価を行う。 対処する主な課題は、クラス不均衡と、単一ステージの微調整による準最適伝達学習である。 成層列車/検証/テスト分割後、ランダムオーバーサンプリングはトレーニングセットにのみ適用され、1:1のバランスが達成された。 ステージ1はResNet50ベースを凍結した分類ヘッドのみを訓練し、ステージ2は学習した視覚的特徴の破滅的な忘れ込みを防ぐために、すべてのレイヤを1e-5の低い学習速度で微調整した。 独立した3,826枚の画像で、AUC-ROCは0.9559、精度は88.34%、感度は87.56%、特異性は89.13%、F1スコアは88.29%に達した。 アブレーション試験では、この2段階のプロトコルはシングルステージの微調整を著しく上回り、感度は4%以上向上した。 Grad-CAMの可視化では、病変の正確な局在が示されている。 完全にデプロイ可能なStreamlit検出アプリケーションは、すべてのトレーニングコードと一緒に提供される。

関連論文リスト

• Synthetic Melanoma Image Generation and Evaluation Using Generative Adversarial Networks [8.789857856546147]
  我々は,高分解能メラノーマ特異的合成のための4つのGANアーキテクチャ(DCGAN,StyleGAN2,StyleGAN3)と2つのStyleGAN3変異体(T/R)を比較した。 StyleGAN2は、定量性能と知覚品質の最良のバランスを達成し、FIDスコアは24.8と7.96(ISICと7.96(ISIC 2020))をガンマ=0.8で達成している。 制御された拡張実験では、クラス不均衡に対応するために合成メラノーマ画像を追加することで、保持された実像テストセット上で、0.925から0.945までのメラノーマ検出AUCが改善された。
  論文  参考訳（メタデータ） (2026-03-13T18:21:55Z)
• Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
  本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。 USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。 全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
  論文  参考訳（メタデータ） (2025-12-30T22:24:26Z)
• Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images [0.7541656202645494]
  YOLOv5とYOLOv8の2つの近代的な1段検出器は、MIDOG++、CMC、CCMCTデータセットで訓練された。 YOLOv5は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供した。 我々のアンサンブルは、F1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータに対して効果的に一般化されていることを確認した。
  論文  参考訳（メタデータ） (2025-09-03T02:43:02Z)
• Multi-Attention Stacked Ensemble for Lung Cancer Detection in CT Scans [3.8121150313479655]
  3つの事前訓練されたバックボーンは96 x 96ピクセルの入力に合わせたカスタム分類ヘッドで適合する。 2段階の注意機構は、ロジットからモデルワイドとクラスワイドの両方の重要点を学習する。 LIDC-IDRIデータセットの実験では、98.09の精度と0.9961 AUCを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:03:07Z)
• Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study [0.0]
  本研究はCNNをベースとしたメラノーマ分類器に対する単一病変の複数の実世界の皮膚内視鏡像の影響について検討した。 複数の実世界の画像を使用することは、CNNベースのメラノーマ分類器の性能に肯定的な影響を及ぼすための安価な方法である。
  論文  参考訳（メタデータ） (2023-06-05T11:55:57Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)

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。