DDCNN-F:双层卷积神经网络"F"功能融合作为医学图像分类框架
Nirmala Veeramani1, Premaladha Jayaraman2, Raghunathan Krishankumar3
1School of Computing, SASTRA Deemed to Be University, Thanjavur, India.
Scientific reports
|January 5, 2024
概括
一个新的双层卷积神经网络 (DDCNN) 功能融合框架,具有"F"旗功能,改善了黑色素瘤的分类. 这种方法提高了恶性黑色素瘤的早期检测,优于现有的方法.
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:
- 黑色素瘤是一种危险的皮肤癌,需要准确的早期检测.
- 当前的分类方法在图像分析方面面临挑战,特别是毛发性病变.
研究的目的:
- 为增强黑色素瘤分类引入一种新的特征融合框架.
- 开发一个新的"F"旗功能,以改善恶性黑色素瘤的早期检测.
主要方法:
- 使用双层卷积神经网络 (DDCNN) 架构.
- 整合了一个卷积神经网络 (CNN) 用于使用类内差异得分进行毛发图像分析.
- 结合了瓶特征与ABCDE临床指标以及用于分类的新型"F"标志特征.
主要成果:
- 实现了高性能指标:98.4%的特异性,93.75%的准确性,98.56%的精度和0.98 AUC.
- "F"指标提高了分类器的性能,增加了7.34%的特异性.
结论:
- DDCNN"F"特征融合框架为黑色素瘤诊断提供了一种卓越的方法.
- 这种方法表明了准确识别和诊断致命皮肤癌的潜力.


