MSRNet:多类皮肤损伤识别使用额外的剩余块基于微调深度模型信息融合和最佳特征选择

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,尤其是黑色素瘤,是全球主要的健康问题,死亡率高.
• 早期发现黑色素瘤对于成功治疗结果至关重要.
• 医疗图像中的工件使精确的病变检测和分类变得复杂.

研究的目的:

• 为多类皮肤癌和黑色素瘤检测开发一个深度学习架构.
• 提高自动化皮肤病变分析的准确性和效率.
• 为解决皮肤癌诊断中图像工件所带来的挑战.

主要方法:

• 一个四步的深度学习架构:图像预处理,特征提取/融合,特征选择和分类.
• 使用图像亮度信息进行新型对比增强.
• 使用修改后的DarkNet-53和DensNet-201模型转移学习,通过超参数的遗传算法进行优化.
• 通过序列和平均值和使用海洋捕食者优化 (MPA) 控制的雷尼透的选择进行特征融合.
• 使用机器学习算法对所选特征进行分类.

主要成果:

• 拟议的深度学习框架在ISIC2018数据集上达到85.4%,在ISIC2019数据集上达到98.80%.
• 与最近的几种技术相比,开发的方法显示出更高的性能.
• 先进的预处理,特征工程和优化深度模型的结合导致了高分类准确性.

结论:

• 拟议的深度学习架构为多类皮肤癌和黑色素瘤检测提供了强大的和有效的解决方案.
• 新的特征选择和融合技术显著提高了诊断准确度.
• 这个框架有可能帮助临床医生在皮肤癌的早期和精确诊断.