SASAN:使用活检图像进行皮肤癌的有效细分和分类的基本真相

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 皮肤病学 皮肤病学

背景情况:

• 传统的皮肤癌诊断依赖于专家知识,这是耗时且容易变化的.
• 需要使用机器学习和深度学习的自动化系统来进行有效的诊断.
• 现有的数据集缺乏多样性,通常不包括器官或其他病变附近的复杂病例.

研究的目的:

• 提出一种皮肤癌诊断方法,解决现有数据集和噪音特征的局限性.
• 引入SASAN数据集的兴趣地区 (ROI) 提取基础分类.
• 提高皮肤癌自动诊断系统的准确性和效率.

主要方法:

• 使用ASAN数据集开发了一种皮肤癌诊断方法,该数据集包含噪音特征.
• 介绍了SASAN数据集,专门设计用于基于细分的ROI提取.
• 在SASAN上训练深度学习细分模型 (UNet,LinkNet,PSPNet,FPN) 用于ROI提取和随后的分类.

主要成果:

• 基于细分的ROI提取显著改善了各种深度学习模型的分类性能.
• 在复杂的皮肤癌病例中,SASAN数据集被证明是有效的评估性能指标.
• 该方法证明了通过使模型能够专注于关键领域的提高准确性.

结论:

• 扩大数据集,包括具有挑战性的皮肤癌病例,对于推进自动诊断至关重要.
• 开发改进的细分方法是提高AI驱动诊断工具可靠性的关键.
• SASAN数据集为旨在改进皮肤癌自动检测系统的研究人员提供了宝贵的资源.