使用CNN技术开发一种有效的黑色素瘤检测方法
Devika Moturi1, Ravi Kishan Surapaneni2, Venkata Sai Geethika Avanigadda2
1Department of Computer Science and Engineering, Velagapudi Ramakrishna Siddhartha Engineering College, Vijayawada, India. devikamoturi@gmail.com.
Journal of the Egyptian National Cancer Institute
|February 26, 2024
概括
这项研究强调了深度学习在皮肤癌检测方面的有效性. 一个定制的卷积神经网络 (CNN) 实现了95%的准确性,超过了MobileNetV2,现在通过Web应用程序可用.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 皮肤癌是一种普遍且可能致命的疾病,全球发病率正在上升.
- 黑色素瘤是一种主要的亚型,在临床上具有侵略性,并导致大多数皮肤癌死亡.
- 通过查及早检测对于有效的皮肤癌管理至关重要.
研究的目的:
- 评估用于准确和快速检测皮肤癌的深度学习技术.
- 为了比较MobileNetV2和定制的卷积神经网络 (CNN) 的性能,用于分类恶性和良性皮肤瘤.
- 开发一个用户友好的网络应用程序,用于皮肤病变图像分析.
主要方法:
- 使用了HAM10000数据集,包括10,000张皮肤病变图像.
- 应用深度学习模型,特别是MobileNetV2和定制的CNN,用于瘤分类.
- 将实施的深度学习技术的诊断性能进行比较.
主要成果:
- 定制的CNN模型实现了95%的诊断准确度,超过了MobileNetV2的85%.
- 使用Python框架开发了一个Web应用程序,具有图形用户界面 (GUI).
- 图形用户界面使用户能够输入患者详细信息,上传病变图像,并接收恶性瘤和受影响百分比的预测.
结论:
- 与MobileNetV2.2相比,定制的CNN在黑色素瘤检测方面表现出更高的准确性.
- 开发的网络应用程序为初步皮肤癌评估提供了一个可访问的工具.
关键词:
定制的CNN定制的CNN深度学习是一种深度学习.弗拉斯克玻璃瓶是什么意思在HAM1000000中,我们可以看到HAM10000的价格.黑色素瘤是一种黑色素瘤.移动网络V2 移动网络V2皮肤癌检测 皮肤癌检测更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.3K
