深度卷积神经网络与皮肤癌识别的融合策略:模型开发和验证
Chao-Kuei Juan1,2, Yu-Hao Su3, Chen-Yi Wu2,4
1Department of Dermatology, Taichung Veterans General Hospital, Taichung, Taiwan.
Scientific reports
|October 10, 2023
概括
一个新的深度学习系统,SkinFLNet,使用模型融合和终身学习准确地分类皮肤癌. 它可以达到与皮肤科医生可比的高准确度,即使临床图像有限.
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:
- 皮肤癌的分类依赖于从临床图像的准确诊断.
- 深度学习模型显示出有希望的结果,但通常需要大量的数据集.
- 为较小的数据集开发高效的系统对于临床应用至关重要.
研究的目的:
- 开发基于深度学习的准确高效的皮肤癌分类系统.
- 利用模型融合和终身学习,在有限的数据上提高性能.
- 评估系统的准确性与传统的深度学习模型和皮肤科医生相比.
主要方法:
- 一个新的深层卷积神经网络SkinFLNet被开发出来.
- 皮肤FLNet结合了模型融合和终身学习技术.
- 该系统在1215张临床皮肤瘤图像上进行了训练,并在463张图像上进行了验证.
主要成果:
- 皮肤FLNet的整体准确率为85%,回忆率为82%,特异性为93%.
- 该系统的性能优于其他深度卷积神经网络模型.
- 皮肤FLNet的表现与三位经过董事会认证的皮肤科医生的表现相当或超过.
结论:
- 皮肤FLNet提供了一个高效的皮肤癌分类系统,可以在小型数据集上进行训练.
- 模型融合和终身学习方法提高了分类准确性.
- 这项技术有可能提高临床皮肤癌查准确度.
