结合最先进的预训练深度学习模型:使用Max投票合奏检测皮肤癌的高尚方法
Md Mamun Hossain1, Md Moazzem Hossain1, Most Binoee Arefin1
1Department of Computer Science and Engineering, Bangladesh Army University of Science and Technology, Saidpur 5310, Bangladesh.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
这项研究通过使用多个深度神经网络的Max Voting Ensemble技术,提高了皮肤癌分类的准确性. 整体实现了93.18%的准确性,优于单个模型,提高了诊断可靠性.
科学领域:
- 皮肤病学和医学成像学
- 人工智能和机器学习
背景情况:
- 皮肤癌的诊断需要精确,深度学习显著推进了医学图像分析.
- 组合方法为皮肤癌分类的诊断准确度进一步提高提供了潜力.
研究的目的:
- 开发和评估一个强大的皮肤癌分类方法,使用Max投票组合技术.
- 通过整合多个预训练的深度神经网络来提高诊断准确性.
主要方法:
- 采用最大投票组合技术,将来自MobileNetV2,AlexNet,VGG16,ResNet50,DenseNet201,DenseNet121,InceptionV3,ResNet50V2,InceptionResNetV2和Xception的预测结合起来. 这是一个非常好的方法.
- 预处理ISIC 2018:任务1-2数据集图像用于模型兼容性和保存模型架构和权重.
- 使用最大投票进行最终分类的综合个体模型预测.
主要成果:
- 整体模型在ISIC 2018数据集上实现了93.18%的准确性和0.9320的AUC得分.
- 与个人深度学习模型相比,证明了更高的诊断可靠性和准确性.
- 在HAM10000数据集上验证了概括性.
结论:
- 马克斯投票组合技术为皮肤癌分类提供了强大,可靠和有效的工具.
- 这种方法有助于医疗保健专业人员实现及时和准确的诊断,从而有可能降低死亡率.
- 在集体中利用先进的深度神经网络可以改善皮肤癌的诊断结果.
