使用混合U-Net和改进的MobileNet-V3与超参数优化优化进行皮肤癌诊断的精确模型
Umesh Kumar Lilhore1, Sarita Simaiya1, Yogesh Kumar Sharma2
1Department of Computer Science and Engineering, Chandigarh University, Mohali, Punjab, 140413, India.
Scientific reports
|February 21, 2024
概括
这项研究引入了一个优化的混合型MobileNet-V3模型,用于精确的皮肤癌检测. 深度学习方法显著提高了诊断的准确性,有助于早期治疗和患者的结果.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌的诊断需要迅速和准确的识别,以获得有效的治疗.
- 当前的诊断方法在特征提取和模型优化方面面临挑战.
- 深度学习为增强皮肤癌识别提供了潜力.
研究的目的:
- 开发一种创新的卷积神经网络 (CNN) 方法来准确识别皮肤癌.
- 通过优化深度学习,提高皮肤癌识别的精度和有效性.
- 通过更及时,更准确的诊断来改善患者的治疗结果.
主要方法:
- 使用了优化的混合MobileNet-V3架构,整合了标准U-Net.
- 实现了偏差损失函数和道注意力机制,以提高准确性和降低参数.
- 在HAM-10000黑色素瘤皮肤癌数据集上使用贝叶斯优化进行超参数调整.
主要成果:
- 拟议的优化混合型MobileNet-V3模型实现了高性能指标.
- 获得了97.84%的精度,96.35%的灵敏度,98.86%的准确度和97.32%的特异性.
- 在基准数据集上表现优于现有的皮肤癌检测和细分模型.
结论:
- 优化的混合型MobileNet-V3模型在皮肤癌检测方面表现出卓越的性能.
- 这种先进的深度学习方法可以带来更及时,更准确的诊断.
- 对拯救生命的结果和降低医疗保健成本作出重大贡献的潜力.
