一个多阶段更快的基于RCNN的iSPLInception用于使用新型优化进行皮肤疾病分类

科学领域:

• 皮肤病学 皮肤病学
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 皮肤癌的检测对于患者的治疗结果至关重要.
• 深度学习 (DL) 方法,如卷积神经网络 (CNN),显示出希望,但可以过度适应.
• 现有的方法需要改进,以准确分类良性和恶性皮肤瘤.

研究的目的:

• 提出一种新的多阶段更快的基于RCNN的iSPLInception (MFRCNN-iSPLI) 方法,用于增强皮肤癌分类.
• 为了解决皮肤病变分析的传统CNN固有的过拟合问题.
• 提高分类良性和恶性皮肤瘤的效率和准确性.

主要方法:

• 该研究介绍了MFRCNN-iSPLI方法,将iSPLInception (基于Inception-ResNet) 集成到一个多阶段分类框架中.
• 草原狗优化算法用于候选框删除以改进分类.
• 在ISIC 2019和HAM10000皮肤病变数据集上评估了性能.

主要成果:

• MFRCNN-iSPLI方法实现了高性能指标:95.82%的准确性,96.85%的精度,96.52%的回忆率和0.95%的F1得分.
• 与CNN,混合DL,Inception v3和VGG19.19等现有技术相比,提出的方法显示出更高的有效性.
• 分析验证了该方法在区分皮肤病变方面的预测和分类能力.

结论:

• MFRCNN-iSPLI方法为皮肤癌的检测和分类提供了强大的和有效的解决方案.
• 多个阶段的方法有效地减轻了过度装配,并提高了诊断准确度.
• 这种深度学习模型显示了改善早期皮肤癌识别的巨大潜力.