提高皮肤损伤检测:一个多阶段的多类卷积神经网络基础框架
Muhammad Umair Ali1, Majdi Khalid2, Hanan Alshanbari2
1Department of Intelligent Mechatronics Engineering, Sejong University, Seoul 05006, Republic of Korea.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了一个深度学习框架,用于分类皮肤病变. 新的多阶段方法可以准确识别良性和恶性类型,改善早期皮肤病诊断.
科学领域:
- 皮肤病学 皮肤病学
- 计算机辅助诊断是一种计算机辅助的诊断.
- 机器学习 机器学习
背景情况:
- 准确的皮肤病变检测对于及时的皮肤治疗至关重要.
- 机器学习和计算机辅助诊断在分析皮肤病变方面提供了有前途的进展.
研究的目的:
- 开发基于深层卷积神经网络 (CNN) 的多阶段框架,用于分类七种类型的皮肤病变.
- 通过转移学习提高皮肤病变分类的准确性和效率.
主要方法:
- 设计了一个两阶段的CNN模型,首先将病变分类为良性或恶性.
- 转移学习在第二阶段被应用,将良性和恶性病变分为特定类型.
- 从最初的CNN训练中使用结重量来有效地进行转移学习.
主要成果:
- 该框架在ISIC2018数据集上的良性和恶性病变的分类中实现了93.4%的准确性.
- 对于良性和恶性病变类型,分类准确率达到96.2%.
- 与现有的CNN模型相比,拟议的方法显示出更高的分类率和更短的训练时间.
结论:
- 多阶段,多类的CNN框架有效地分类各种皮肤病变.
- 这种方法提高了皮肤病应用中的诊断准确性和效率.
- 该研究强调了转移学习在医学图像分析的深度学习中的潜力.
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
