[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Amélioration de la précision diagnostique des lésions cutanées pigmentées grâce aux CNN : une application sur l'ensemble de données DermaMNIST

Created by
  • Haebom

Auteur

Nerma Kadric, Amila Akagic, Medina Kapo

Contour

Dans cet article, nous avons évalué les performances des modèles ResNet-50 et EfficientNetV2L pour la classification des lésions cutanées pigmentées à l'aide du jeu de données DermaMNIST récemment publié, destiné à l'avancement de l'analyse d'images médicales. Nous avons mené des expériences en appliquant l'apprentissage par transfert et diverses configurations de couches, et avons trouvé une configuration obtenant des résultats similaires, voire supérieurs, aux méthodes existantes. Cela suggère que les CNN peuvent contribuer à améliorer la précision diagnostique de l'analyse d'images médicales. DermaMNIST est basé sur le jeu de données HAM10000 et est utilisé pour classer les lésions cutanées pigmentées, qui jouent un rôle important dans le diagnostic de maladies graves telles que le mélanome.

Takeaways, Limitations

•
Takeaways:
◦
Nous démontrons qu’un modèle basé sur CNN est efficace pour classer les lésions cutanées pigmentées.
◦
Nous démontrons la possibilité d’obtenir des résultats qui surpassent les performances existantes grâce à l’apprentissage par transfert et à la configuration optimisée des couches.
◦
Augmente le potentiel des CNN dans l’analyse d’images médicales.
◦
Présentation du potentiel d’avancement de la recherche en utilisant l’ensemble de données DermaMNIST.
•
Limitations:
◦
Manque de prise en compte des limites de l’ensemble de données DermaMNIST (taille des données, diversité, etc.).
◦
Une validation supplémentaire des performances de généralisation du modèle utilisé est nécessaire.
◦
D’autres études sont nécessaires pour déterminer l’applicabilité dans des contextes cliniques réels.
◦
Présentation des résultats uniquement pour des modèles et des configurations de couches spécifiques, manque de comparaison avec d'autres modèles et approches.
👍
Made with Slashpage