一个改进的皮肤损伤分类使用混合方法与活跃的轮蛇模型和轻量级的注意力引导囊网络的混合方法
Kavita Behara1, Ernest Bhero2, John Terhile Agee2
1Department of Electrical Engineering, Mangosuthu University of Technology, Durban 4031, South Africa.
Diagnostics (Basel, Switzerland)
|March 27, 2024
概括
这项研究引入了一种先进的深度学习模型,用于准确地诊断皮肤癌,改善病变分类并帮助早期检测. 这种新的方法提高了诊断的准确性,为医疗从业者提供了宝贵的工具.
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:
- 皮肤癌的诊断对于患者的生存至关重要,但面临着误解和时间延迟等挑战.
- 由于其复杂性和视觉变异性,很难准确地对皮肤病变进行分类.
- 当前的深度学习模型在边界划分,空间特征连接和分类的上下文信息方面扎.
研究的目的:
- 开发一种新的深度学习方法,以改进皮肤病变的分类.
- 增强自动化皮肤病诊断的准确性和概括能力.
- 为医疗从业者在识别皮肤恶性瘤方面提供一个强大的工具.
主要方法:
- 这是一个混合模型,结合了主动轮 (AC) 分段,ResNet50特征提取和带有注意力机制的囊网络.
- 使用随机梯度下降 (SGD) 进行模型参数优化.
- 在HAM10000和ISIC 2020公共数据集上实施和评估.
主要成果:
- 实现了98%的诊断准确率和97.3%的接收器操作特征曲线 (AUC-ROC) 下面面积.
- 与现有的最先进的 (SOTA) 方法相比,证明了优越的模型概括性.
- 有效地划出损伤边界,并利用上下文信息进行增强分类.
结论:
- 拟议的模型显示了重塑自动化皮肤病诊断的巨大潜力.
- 该方法为早期皮肤癌检测提供了可靠和准确的工具.
- 强调了集成交流细分,ResNet50和囊网络的有效性,并关注医疗图像分析.
