使用混合CNN-DenseNet模型进行皮肤学分类的方法
Anubhav De1, Nilamadhab Mishra1, Hsien-Tsung Chang2,3,4,5
1School of Computing Science & Engineering, VIT Bhopal University, Madhya Pradesh, India.
PeerJ. Computer science
|March 4, 2024
概括
这项研究引入了一种混合CNN-DenseNet模型,用于从皮肤镜图像中自动诊断皮肤疾病. 这种先进的模型实现了高精度,在识别各种皮肤疾病方面与临床专家竞争.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 通过皮肤镜像自动诊断皮肤疾病是具有挑战性的,因为手动评估涉及的主观性和时间.
- 准确的皮肤色素病变的分类对于有效的治疗和患者的治疗结果至关重要.
研究的目的:
- 开发和验证一种混合卷积神经网络 (CNN) -DenseNet模型,用于自动化皮肤疾病诊断.
- 与传统方法相比,提高分类各种有色素皮肤病变的准确性和效率.
主要方法:
- 严格的数据预处理,包括探索性数据分析,规范化和标签编码.
- 将CNN与DenseNet和ResNet架构混合,以优化功能提取.
- 在HAM10000和PAD-UFES-20数据集上进行培训和验证.
主要成果:
- 最初的CNN模型达到76.22%的测试准确度;随后的混合模型在HAM10000上达到95.7%,在PAD-UFES-20上达到91.07%.
- 混合模型对包括黑色素瘤,基底细胞癌和黑色素细胞瘤在内的疾病表现出高的诊断准确性.
- 绩效指标与临床专家相美,这表明临床整合的巨大潜力.
结论:
- 混合CNN-DenseNet模型为自动化皮肤疾病诊断提供了强大而准确的解决方案.
- 这种方法有可能帮助皮肤科医生,缩短诊断时间,改善患者护理.
- 该模型的定制潜力允许细微的临床应用和进一步的研究.
