Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Irregular streaks are important clues for Melanoma (a potentially fatal form of skin cancer) diagnosis using dermoscopy images. This paper extends our previous algorithm to identify the absence or presence of streaks in a skin lesions, by further analyzing the appearance of detected streak lines, and performing a three-way classification for streaks, Absent, Regular, and Irregular, in a pigmented skin lesion. In addition, the directional pattern of detected lines is analyzed to extract their orientation features in order to detect the underlying pattern. The method uses a graphical representation to model the geometric pattern of valid streaks and the distribution and coverage of the structure. Using these proposed features of the valid streaks along with the color and texture features of the entire lesion, an accuracy of 76.1% and weighted average area under ROC curve (AUC) of 85% is achieved for classifying dermoscopy images into streaks Absent, Regular, or Irregular on 945 images compiled from atlases and the internet without any exclusion criteria. This challenging dataset is the largest validation dataset for streaks detection and classification published to date. The data set has also been applied to the two-class sub-problems of Absent/Present classification (accuracy of 78.3% with AUC of 83.2%) and to Regular/Irregular classification (accuracy 83.6% with AUC of 88.9%). When the method was tested on a cleaned subset of 300 images randomly selected from the 945 images, the AUC increased to 91.8%, 93.2% and 90.9% for the Absent/Regular/Irregular, Absent/Present, and Regular/Irregular problems, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle