德莫-Seg:ResNet-UNet架构和混合损失函数用于检测差异模式,以诊断有色素皮肤病变
Sannia Arshad1, Tehmina Amjad1, Ayyaz Hussain2
1Department of Computer Science, Faculty of Basic and Applied Science, International Islamic University, Islamabad 44000, Pakistan.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
这项研究介绍了Dermo-Seg,一种新的方法,使用一个UNet模型与ResNet-50来改善皮肤病变细分. Dermo-Seg有效地检测差异结构,克服了标准卷积神经网络 (CNN) 的局限性.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算机视觉用于医学诊断
背景情况:
- 卷积神经网络 (CNN) 广泛用于皮肤病变细分,但与远距离背景作斗争,导致扭曲的细分和难以检测特定的病变结构.
- 关键的差异性结构,如色素网络,球体,条纹,负网络和米利亚状囊,对于准确的诊断至关重要,但与现有的CNN模型进行细分是具有挑战性的.
研究的目的:
- 提出基于语义的细分方法,Dermo-Seg,以准确检测皮肤病变中的差异结构.
- 解决CNN在捕获远程上下文信息方面的局限性,并减轻细分扭曲.
主要方法:
- 开发了Dermo-Seg,这是一个UNet模型,将基于传输学习的ResNet-50架构作为编码器.
- 实现了混合损失函数,将焦点Tversky损失和IOU损失结合起来,以在像素级别管理数据集的类失衡.
- 在不同的数据集上评估模型,包括ISIC18,ISBI17和HAM10000.
主要成果:
- 皮肤-Seg模型在特定结构上取得了显著的平均交叉与欧盟 (IOU) 分数:条纹为0.53,色素网络为0.67,血球为0.66,负网络为0.58,米利亚状囊为0.53.
- 该系统展示了整体效率,在皮肤病变结构检测方面达到96.4%的IOU指数.
- 在 IOU 指数方面,Dermo-Seg 的表现优于最近的网络模型.
结论:
- Dermo-Seg有效地克服了基于CNN的皮肤病变细分中的语义差距,通过结合长距离的上下文信息.
- 拟议的混合损失函数成功处理像素级数据不平衡,改善了微妙损伤结构的检测.
- Dermo-Seg为准确的皮肤病变分析提供了改进的解决方案,提高了诊断能力.
