基于深度学习,使用皮肤病变图像检测水病毒.
Tushar Nayak1, Krishnaraj Chadaga2, Niranjana Sampathila1
1Department of Biomedical Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, 576104, India.
Medicine in novel technology and devices
|June 9, 2023
概括
这项研究表明,深度学习模型可以从皮肤病变图像中准确诊断水,使用ResNet-18.8.实现99.49%的准确性. 这项技术为早期发现和管理麻疹疫情提供了一个有前途的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 流行病学 流行病学
背景情况:
- 2022年病毒 (MPV) 爆发宣布为国际关注的公共卫生紧急情况 (PHEIC),突出了快速诊断工具的需要.
- 的症状在皮肤上表现出来,使成像成为一种可行的检测方法.
- 现有的诊断方法可能很慢,需要先进的技术解决方案.
研究的目的:
- 通过使用皮肤病变图像来研究深度学习模型用于诊断麻疹的有效性.
- 评估各种预训练深度神经网络的MPV检测性能.
- 评估在移动设备上部署高效的深度学习模型的潜力,以便广泛使用.
主要方法:
- 利用公开可用的麻疹皮肤病变图像数据集.
- 测试了五个预先训练的深度神经网络:googLeNet,Places365-GoogLeNet,SqueezeNet,AlexNet和ResNet-18.这些深度神经网络都已经进行了测试.
- 执行过度参数调整并使用准确度,精度,回忆,f1分数和AUC评估模型.
主要成果:
- ResNet-18实现了最高的准确率,达到99.49%.
- 所有经过测试的修改模型都显示了超过95%的验证准确度.
- 可解释的人工智能技术 (LIME,GradCAM) 为模型的可解释性而集成.
结论:
- 深度学习模型,特别是ResNet-18,显示出从皮肤图像中准确和高效地诊断麻疹的巨大潜力.
- 开发的模型可以部署在像智能手机这样的资源有限的设备上,从而促进可访问的选.
- 可解释的人工智能提高了诊断工具的临床信任和实用性.
