皮膚がんのセグメンテーションと皮膚顕微鏡画像からの認識:改良されたDeepLabV3+とネットワークレベルの融合した深層アーキテクチャに基づいた新しい枠組み
Mehak Arshad1, Muhammad Attique Khan2, Juan Manuel Górriz3
1Department of Computer Science, HITEC University, Taxila 47080, Pakistan.
Journal of advanced research
|August 28, 2025
まとめ
この研究は,皮膚がんの正確な検出のための新しいディープラーニングの枠組みを導入し,皮膚病変のセグメンテーションと分類を強化することで早期診断を改善します. AIモデルは複数のデータセットで優れたパフォーマンスを示しています.
科学分野:
- 医療用イメージング
- 人工知能
- コンピューター病理学
背景:
- 皮膚がんの診断は 死亡率を下げるのに不可欠です
- 皮膚病変の早期発見は 患者の健康状態を大幅に改善します
- 現存するAIモデルは,不均衡なデータセットと不規則な病変形で課題に直面しています.
研究 の 目的:
- 皮膚病変の効率的なセグメンテーションと分類のための完全に自動化されたディープラーニングの枠組みを提案する.
- 皮膚がんの診断における 現在のAIモデルの限界を解決する
- 人工知能による皮膚分析の正確性と効果を向上させる
主な方法:
- 改良されたResNet20-DeepLabV3+をセグメンテーションとMAKNet100を分類する新しいフレームワーク.
- ResNet20アーキテクチャは,詳細な特徴抽出のためのグループ化されたコンボリューションレイヤーで強化されています.
- MAKNet100モデルは,強固な分類のためにネットワークレベルの融合を使用し,説明性のためにGradCAMで分析されます.
主要な成果:
- このフレームワークは,HAM10000 (90.5%),ISIC-2018 (88.9%),ISIC-2019 (84.5%) およびISBI-2020 (96.35%) の複数のデータセットで高い精度を達成しました.
- HAM10000では96.69%,ISIC-2018では94.63%の例外的なダイススコアが記録されました.
- このモデルは,セグメンテーションと分類の両方のタスクの精度と精度を向上させました.
結論:
- 提案されたディープラーニングの枠組みは,皮膚病変のセグメンテーションと分類の精度を大幅に高めます.
- アブラーションの研究と比較は,既存の方法よりもフレームワークの優位性を確認します.
- この研究は皮膚がんを早期発見するための より効率的で効果的なAIソリューションを提供します
