利用卷积神经网络分析图像剥离和细分对黑色素瘤分类的影响
概括
改善皮肤癌的检测,这项研究表明,预处理和细分可以提高卷积神经网络 (CNN) 的损伤分类性能,从而提高准确性.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 早期发现和治疗皮肤癌对于减少全球死亡率至关重要.
- 深度学习模型,特别是卷积神经网络 (CNN),对自动化皮肤病变检测和分类充满希望.
研究的目的:
- 调查预处理技术 (数据增强,对比度增强,细分) 对皮肤病变分类CNN性能的影响.
- 设计和评估一种新的CNN架构,以改进病变分类.
- 将拟议网络的性能与基准数据集上的最先进方法进行比较.
主要方法:
- 开发了一个定制的CNN架构,具有独特的层次组织,内核数量,网络深度和超参数.
- 预处理步骤包括无声化,数据增强,对比度增强和细分,都应用于HAM10000数据集.
- 在CNN模型的训练和评估中,使用了预处理和细分的数据.
主要成果:
- 拟议的CNN,利用非公开和细分数据,实现了高性能指标.
- 具体的性能得分包括:准确性 (ACC) 93.40%,精度 (PRE) 93.45%,回忆 (REC) 94.51%,特异性 (SPE) 92.08%,和F得分93.98%.
结论:
- 预处理和细分步骤显著提高了皮肤病变分类的CNN性能.
- 开发的CNN与现有的最先进的方法相比,显示出具有竞争力的性能.
- 整合这些数据增强技术对于推进自动皮肤癌检测系统至关重要.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.3K
05:56Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.5K
