基于自我注意的优化循环一致的生成对抗网络采用了皮肤镜图像的黑色素瘤分类.

科学领域:

• 皮肤病学和人工智能研究
• 医学图像分析 医学图像分析
• 计算病理学计算病理学

背景情况:

• 皮肤癌,特别是黑色素瘤,对健康构成重大风险,需要早期和准确的检测.
• 皮肤镜像对于诊断皮肤病变至关重要,但它们的分析可能具有挑战性.
• 现有的黑色素瘤分类方法通常需要提高准确性和效率.

研究的目的:

• 提出一种先进的人工智能模型,通过皮肤镜图像精确分类各种皮肤癌,包括黑色素瘤.
• 提高皮肤癌检测系统的准确性和减少计算时间.
• 引入一种新的优化算法,以改进基于深度学习的医学图像分类.

主要方法:

• 使用ISIC 2019数据集进行皮肤皮肤显微镜图像.
• 预处理的图像使用调整快速转移阶段保护动态范围压缩 (AQSP-DRC) 来降低噪声和提高质量.
• 用于兴趣区域 (ROI) 细分的零碎模糊C-Means集群 (PF-CMC) 和用于放射性特征提取的十六进制局部自适应二进制模式 (HLABP).
• 开发了一种基于自我注意的循环一致的生成对抗网络 (SACCGAN),并使用射箭鱼狩猎优化算法 (AHOA) 进行优化,用于分类.

主要成果:

• 与现有方法 (CNN-BES-MC-DI,CNN-GWOA-MC-DI,DEANN-MC-DI) 相比,提出的SACCGAN-AHOA-MC-DI方法获得了更高的准确性.
• 与基准方法相比,显著减少了计算时间.
• 成功地分类了各种皮肤癌,包括黑色细胞瘤,基底细胞癌,行为性角质瘤,良性角质瘤,皮肤纤维瘤,血管病变,状细胞癌和黑色素瘤.

结论:

• SACCGAN-AHOA-MC-DI模型提供了一种强大而高效的解决方案,用于从皮肤镜像中自动检测皮肤癌.
• 整合AHOA优化显著提高了SACCGAN模型的分类性能.
• 这种人工智能驱动的方法有望改善皮肤病学中早期诊断率和患者的治疗结果.