皮肤癌细分和分类使用视觉变压器用于基于皮肤镜的非侵入性数字系统中的自动分析
Galib Muhammad Shahriar Himel1, Md Masudul Islam1, Kh Abdullah Al-Aff2
1Jahangirnagar University, Dhaka, Bangladesh.
International journal of biomedical imaging
|February 12, 2024
概括
这项研究引入了一种视力转换器模型,用于准确的皮肤癌分类,达到96.15%的准确性. 这种深度学习方法有助于皮肤科医生在早期皮肤癌诊断.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 皮肤癌是一个全球性的健康问题,需要早期诊断才能获得更好的患者结果.
- 深度学习模型在图像分类任务,包括医疗成像方面表现有前途.
研究的目的:
- 开发和评估一种基于视觉转换器的方法来对皮肤癌症进行分类.
- 评估视觉变压器模型在区分良性和恶性皮肤病变方面的有效性.
主要方法:
- 使用了HAM10000数据集,其中包括10,015张皮肤病变图像.
- 应用预处理技术,包括规范化和增强.
- 采用分段任何模型 (SAM) 进行图像细分和各种预训练的视觉变压器模型进行分类.
主要成果:
- 与传统的深度学习架构相比,视觉转换器模型表现出卓越的性能.
- 谷歌的ViT补丁-32模型在测试数据集上实现了96.15%的准确性.
- 该模型的虚假负比率很低,表明诊断可靠性很高.
结论:
- 视力变压器模型显示出作为帮助皮肤科医生进行皮肤癌诊断的有效工具的巨大潜力.
- 提出的方法为自动化皮肤病变分析提供了有前途的进步.
- 进一步的研究可以探索将这种模型集成到临床诊断工作流程中.
