超参数调整的深度学习方法,用于有效检测人类麻疹疾病

科学领域:

• 医疗信息学 医疗信息学
• 计算机视觉 计算机视觉
• 流行病学 流行病学

背景情况:

• 人类水是一种动物性病毒性疾病,有可能对社会造成破坏.
• 早期诊断对于有效管理和制麻疹疫情至关重要.
• 聚合酶链反应 (PCR) 测试可用性的局限性需要替代的诊断方法.

研究的目的:

• 开发和评估一个准确和有弹性的深度学习模型来检测人类水.
• 使用医学图像,区分水病变与其他皮肤疾病,如水等.
• 探索超参数优化技术的有效性,以提高模型性能.

主要方法:

• 利用卷积神经网络和转移学习的组合从医疗图像中提取特征.
• 实施了超参数优化策略,包括SDG优化器,贝叶斯优化器和不遗忘的学习.
• 开发了一个Yolov5模型来分类皮肤病变,在Roboflow皮肤病变数据集上进行训练.

主要成果:

• 拟议的深度学习模型在麻疹皮肤病变方面实现了高分类准确率98.18%.
• 与现有的最先进的模型相比,该模型表现出了卓越的性能.
• 超参数调整策略显著提高了模型的准确性和弹性.

结论:

• 开发的深度学习模型显示出对准确高效地检测人类水的重大前景.
• 这种计算机辅助方法可以在临床环境中成为一种有价值的工具,特别是在PCR测试有限的地方.
• 建议在现实世界的临床场景中进一步验证,以确认其在疾病诊断中的有用性.