相关实验视频
Shahbaz Sikandar1, Rabbia Mahum1, Adham E Ragab2
1Department of Computer Science, University of Engineering and Technology Taxila, Taxila 47050, Pakistan.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
一个新的卷积神经网络 (CNN),SCDet,准确地检测到微小的皮肤癌. 这种方法提供了高精度和回忆,改善了早期皮肤癌诊断和患者存活率.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 皮肤癌以不规则的病变为特征,在晚期阶段具有显著的死亡风险.
- 早期发现皮肤癌对于改善患者生存率至关重要.
- 现有的诊断方法可能难以识别最小的瘤,需要改进的检测技术.
研究的目的:
- 通过使用新型深度学习模型,提出一种用于早期皮肤癌诊断的强大而准确的方法.
- 开发一种卷积神经网络 (CNN),能够检测其他方法可能错过的微小皮肤病变.
主要方法:
- 一个名为SCDet的32层卷积神经网络 (CNN) 为皮肤病变检测而开发.
- 该模型处理 227x227 图像,使用对卷积层,批量规范化和 ReLU 层进行图案提取.
- 通过使用包括精度,回忆,灵敏度,特异性和准确性在内的关键性能指标进行SCDet的培训和评估.
主要成果:
- SCDet实现了高性能指标:99.2%的精度,100%的回忆,100%的灵敏度,99.20%的特异性和99.6%的准确性.
- 拟议的SCDet模型在检测微小皮肤瘤的准确性和精度上优于预先训练的VGG16,AlexNet和SqueezeNet等模型.
- 由于其较浅的架构,SCDet与ResNet50等模型相比显示出更高的速度和更低的计算成本.
结论:
- SCDet为皮肤癌的早期诊断提供了一个高效和高效的深度学习解决方案.
- 该模型能够高精度地检测到最小的病变,这显著提高了诊断能力.
- 通过早期干预,SCDet为皮肤癌检测提供了一个计算成本有效的替代方案,有望通过早期干预改善患者的治疗结果.