在医疗物联网中使用混合深度学习方法对皮肤病变进行细分和分类
Arslan Akram1,2, Javed Rashid2,3, Muhammad Arfan Jaffar1
1Department of Computer Science and Information Technology, Superior University Lahore, Lahore, Pakistan.
概括
本研究引入了用于高级皮肤病变分析的混合深度学习模型,在ISIC 2020数据集上实现了95.49%的细分精度和96.75%的细分精度. 这种方法提高了医疗物联网 (IoMT) 中的诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 准确的皮肤病变分析对于诊断至关重要,特别是在医疗物联网 (IoMT) 中.
- 计算机辅助诊断 (CAD) 系统对于提高皮肤病变分析的准确性和效率至关重要.
- 混合深度学习技术提供了一种有希望的方法,用于从皮肤镜像中对皮肤病变进行细分和分类.
研究的目的:
- 开发和评估一种混合深度学习模型,用于精确的皮肤病变细分和分类.
- 通过先进的图像分析,提高IoMT环境中的诊断准确性.
- 将拟议模型的性能与最新方法进行比较.
主要方法:
- 使用混合深度学习模型,将基于Mask区域的卷积神经网络 (MRCNN) 用于细分和ResNet50用于检测.
- MRCNN用于精确划分皮肤病变的边界.
- 该模型在一个大,注释的皮肤镜图像数据集上进行了训练.
主要成果:
- 混合模型在皮肤显微镜图像上实现了95.49%的细分精度.
- 该模型在分类皮肤病变方面表现出高准确度和可靠性,优于传统方法.
- 在ISIC 2020挑战数据集上实现了96.75%的准确性,这表明IoMT应用程序的性能优越.
结论:
- 拟议的混合深度学习策略在皮肤病变细分和分类方面非常有效.
- 该模型显示了在IoMT设置中改善诊断准确性的巨大潜力.
- 在ISIC 2020数据集上的卓越性能验证了皮肤病变分析的方法.


