使用面具-RCNN与修改的GRU模型检测黑色素瘤皮肤癌
K M Monica1, J Shreeharsha2, Przemysław Falkowski-Gilski3
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, Tamil Nadu, India.
Frontiers in physiology
|January 31, 2024
概括
这项研究引入了一种自动化框架,用于使用深度学习来诊断黑色素瘤皮肤癌 (MSC). 拟议的模型实现了超过99.9%的准确性,显著提高了早期检测率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 黑色素瘤皮肤癌 (MSC) 诊断依赖于早期检测以减少死亡率.
- 皮肤镜图像分析带来了挑战,包括照明变化,反射和病变变化.
研究的目的:
- 开发一种自动化框架,从皮肤镜图像中准确检测黑色素瘤皮肤癌.
- 克服皮肤镜图像分析中的挑战,以提高诊断准确度.
主要方法:
- 使用ISIC 2020和HAM 10000数据集进行皮肤镜图像采集.
- 应用图像规范化,面具RCNN用于精确的癌症区域细分,并使用ResNeXt101,Xception和InceptionV3.3进行特征提取.
- 采用了修改后的门复发单位 (GRU),用于黑色素瘤皮肤癌分类的swish-ReLU激活.
主要成果:
- 修改后的GRU模型实现了高分类准确性:在ISIC 2020上达到99.95%,在HAM 10000上达到99.98%.
- 与传统检测模型相比,拟议的自动化框架显示出更高的性能.
结论:
- 开发的深度学习框架为黑色素瘤皮肤癌检测提供了高度准确和自动化的解决方案.
- 这种方法有可能显著提高早期诊断,并改善黑色素瘤管理中的患者结果.


