相关实验视频
Updated: Jul 6, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
减少使用深度学习框架对高度不平衡的ISIC-2019皮肤数据集的过度拟合
Erapaneni Gayatri1, S L Aarthy2
1SCORE, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Journal of X-ray science and technology
|January 8, 2024
概括
这项研究使用深度学习模型增强了皮肤癌的分类,达到98.85%的准确性. 通过解决数据不平衡和使用焦点损失,该系统显著改善了皮肤病变的早期检测.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 深度神经网络 (DNN) 和计算机辅助诊断 (CAD) 正在迅速推进癌症研究.
- 由于细微的病变呈现,早期诊断皮肤癌仍然是一个重大挑战.
研究的目的:
- 为了提高皮肤癌自动诊断系统的准确性.
- 在ISIC-2019数据集上使用深度学习框架有效地对皮肤癌进行分类.
- 为了解决皮肤病变分类中的类不平衡和过度配合问题.
主要方法:
- 利用各种深度学习框架进行皮肤癌分类.
- 实现了一个微调的ResNet-50模型.
- 应用数据增强和焦点损失技术,以减轻类不平衡和过度拟合.
主要成果:
- 通过增强数据和焦点损失实现了98.85%的分类准确度.
- 获得了95.52%的精度和95.93%的回忆.
- 使用马修斯相关系数 (MCC) 进行多类图像评估,表现出卓越的性能.
结论:
- 增强数据与焦点损失相结合,显著提高了皮肤癌分类的准确性.
- 开发的深度学习方法提供了一个有前途的工具,以支持皮肤科医生在早期皮肤癌检测.
- 该研究强调了焦点损失的有效性,提高了模型的强度,防止过度装配.
