通过先进的深度学习组合模型增强皮肤病变分类:通往准确医疗诊断的道路
Kavitha Munuswamy Selvaraj1, Sumathy Gnanagurusubbiah2, Reena Roy Roby Roy3
1Department of Electronics and Communication Engineering, R.M.K. Engineering College, RSM Nagar, Chennai, Tamil Nadu, India.
Current problems in cancer
|March 13, 2024
概括
这项研究开发了一种先进的深度学习方法来对皮肤病变进行分类,显著提高了使用组合技术的诊断准确度,以更好地早期检测皮肤癌.
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:
- 皮肤癌,特别是恶性黑色素瘤,是全球日益严重的健康问题,发病率越来越高.
- 早期发现皮肤病变对于改善患者存活率和治疗疗效至关重要.
研究的目的:
- 开发和评估一个基于深度学习的系统,用于准确地分类皮肤病变.
- 解决皮肤病变分析的挑战,包括有限的数据,类失衡和图像噪声.
主要方法:
- 使用深度神经网络 (ResNeXt101,SeResNeXt101,ResNet152V2,DenseNet201,GoogLeNet,Xception) 通过随机梯度下降 (SGD) 进行了优化.
- 使用图像 inpainting 减少噪音和增强数据以增强数据集多样性.
- 实施组合技术 (平均值和加权平均值模型) 与网格搜索以获得最佳重量分布.
主要成果:
- 整体模型在皮肤病变分类方面明显优于个体深度学习模型.
- 平均组合模型实现了宏观平均ROC-AUC的96%,平衡精度,F1分数和回忆.
- 权重组合模型实现了97%的宏观平均ROC-AUC,证明了卓越的精度和马修斯相关系数 (MCC).
结论:
- 组合技术有效地提高了皮肤病变分类系统的准确性和稳定性.
- 开发的深度学习模型显示了改善皮肤病学医学诊断的巨大潜力.
- 这种方法通过更可靠的皮肤癌早期检测,有助于改善患者的治疗结果.
