[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Mejora de la precisión diagnóstica de lesiones cutáneas pigmentadas con CNN: una aplicación en el conjunto de datos DermaMNIST

Created by
  • Haebom

Autor

Nerma Kadric, Amila Akagic, Medina Kapo

Describir

En este artículo, evaluamos el rendimiento de los modelos ResNet-50 y EfficientNetV2L para la clasificación de lesiones cutáneas pigmentadas utilizando el conjunto de datos DermaMNIST, recientemente publicado, para el avance del análisis de imágenes médicas. Realizamos experimentos aplicando aprendizaje por transferencia y diversas configuraciones de capas, y encontramos una configuración que logra resultados similares o superiores a los de los métodos existentes. Esto sugiere que las CNN pueden contribuir a mejorar la precisión diagnóstica del análisis de imágenes médicas. DermaMNIST se basa en el conjunto de datos HAM10000 y se utiliza para clasificar lesiones cutáneas pigmentadas, que desempeñan un papel importante en el diagnóstico de enfermedades graves como el melanoma.

Takeaways, Limitations

•
Takeaways:
◦
Demostramos que un modelo basado en CNN es eficaz para clasificar lesiones cutáneas pigmentadas.
◦
Demostramos la posibilidad de lograr resultados que superan los rendimientos existentes a través del aprendizaje por transferencia y la configuración optimizada de capas.
◦
Aumenta el potencial de las CNN en el análisis de imágenes médicas.
◦
Presentando el potencial para el avance de la investigación utilizando el conjunto de datos DermaMNIST.
•
Limitations:
◦
Falta de consideración de las limitaciones del conjunto de datos DermaMNIST (tamaño de los datos, diversidad, etc.).
◦
Es necesaria una mayor validación del rendimiento de generalización del modelo utilizado.
◦
Se necesitan más estudios para determinar su aplicabilidad en entornos clínicos reales.
◦
Sólo se presentan resultados para modelos específicos y configuraciones de capas, falta de comparación con otros modelos y enfoques.
👍
Made with Slashpage