主要CNN架构的重构和性能分析:使用假负率最小化来解决临床图像黑色素瘤检测问题的问题
Luigi Di Biasi1, Fabiola De Marco2, Alessia Auriemma Citarella2
1Department of Computer Science, University of Salerno, Fisciano, Italy. ldibiasi@unisa.it.
BMC bioinformatics
|October 11, 2023
概括
这项研究利用临床图像优化了卷积神经网络 (CNN) 来检测黑色素瘤,发现VGG和AlexNet结构有效地减少了早期诊断的假阴性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 黑色素瘤是一种致命的癌症,早期检测对于有效治疗至关重要.
- 目前需要组织学分析来准确诊断黑色素瘤,这对及时干预构成了挑战.
- 计算机辅助诊断 (CAD) 系统旨在提高黑色素瘤检测的准确性,并减少活检的需要.
研究的目的:
- 确定最佳的卷积神经网络 (CNN) 架构,以尽量减少黑色素瘤分类中的假负率 (FNR).
- 适应现有的CNN架构来对黑色素瘤临床图像进行二进制分类.
- 开发使用临床图像的可访问CAD系统,使医生和患者更容易使用.
主要方法:
- 对黑色素瘤临床图像二进制分类 (MCIBCP) 的主要CNN架构 (Alexnet,DenseNet,GoogleNet,MobileNet,ShuffleNet,SqueezeNet,VGG16) 的探索性分析.
- 使用MED-NODE数据集优化选定的CNN,包括170张临床图像 (70张黑色素瘤,100张naevi).
- 绩效评估的重点是尽量减少虚假负面率 (FNR).
主要成果:
- 基于VGG和AlexNet结构的CNN显示了最低的FNR (分别为0.07和0.13).
- VGG实现了73%的准确度,82%的灵敏度和59%的特异性.
- 亚历克斯Net实现了89%的准确性,87%的灵敏度和90%的特异性,表明了强的性能.
结论:
- 在VGG或AlexNet架构上构建的CNN有望减少黑色素瘤检测中的假阴性.
- 该研究强调了使用临床图像以高精度对黑色素瘤进行分类的潜力.
- 优化的CNN可以作为用户友好的CAD系统的基础,以支持黑色素瘤诊断.
