在皮肤色素皮肤病变分类上提升预训练CNN架构的性能
Erwin Setyo Nugroho1,2, Igi Ardiyanto1, Hanung Adi Nugroho1
1Engineering Faculty, Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada, Yogyakarta, Indonesia.
概括
这项研究使用深度学习改进了黑色素瘤检测. 增强和贝叶斯调整增强了卷积神经网络 (CNN) 的性能,用于分类有色素的皮肤病变.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 颜色化皮肤病变 (PSLs) 存在诊断和化品方面的挑战.
- 早期发现黑色素瘤对于降低死亡率至关重要.
- 皮肤显微镜有助于PSL检查,但标准化问题仍然存在.
- 使用深度学习的计算机辅助诊断 (CAD) 显示出PSL分析的前景.
研究的目的:
- 提高预训练的卷积神经网络 (CNN) 的分类性能.
- 提高诊断有色素皮肤病变 (PSLs) 的准确性.
主要方法:
- 利用了2019年ISIC数据集与八个疾病类别.
- 应用数据增强来解决数据集不平衡的问题.
- 使用贝叶斯调优化训练超参数.
主要成果:
- 在所有被测试的预训练CNN中观察到的性能改善.
- 开始-V3模型实现了最高的准确性 (96.40%) 和AUC (0.98).
结论:
- 数据增强和贝叶斯式超参数调整显著改善了分类性能.
- 这些方法提高了PSL分析中的深度学习模型的有效性.
