使用统一深层卷积神经网络识别皮肤癌
Nasser A AlSadhan1, Shatha Ali Alamri2, Mohamed Maher Ben Ismail1
1Computer Science Department, College of Computer and Information Sciences, King Saud University, Riyadh 12372, Saudi Arabia.
Cancers
|April 13, 2024
概括
这项研究表明,YOLOv7在识别皮肤病变方面表现出色,优于其他模型. 这种人工智能工具有助于皮肤科医生在早期发现皮肤癌,可能减少不必要的活检.
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:
- 全球皮肤癌发病率的上升需要改进的诊断工具.
- 区分恶性黑色素瘤和良性病变是具有挑战性的,因为视觉上的相似性.
- 基于图像的识别系统有可能帮助皮肤科医生,减少活检.
研究的目的:
- 评估四个统一卷积神经网络 (YOLOv3,YOLOv4,YOLOv5,YOLOv7) 的皮肤病变分类的性能.
- 根据病变定位,分类准确性和推断速度来比较这些模型.
- 确定最有效的YOLO模型,以帮助早期皮肤癌诊断.
主要方法:
- 在基准皮肤病变数据集上训练四个YOLO (你只看一次) 模型 (v3,v4,v5,v7).
- 评估模型性能,使用诸如交叉点在联盟 (IoU),平均精度 (mAP) 和F1测量等指标.
- 测量每个模型的推理时间,以评估实时适用性.
主要成果:
- 在评估的模型中,YOLOv7表现出了卓越的性能.
- YOLOv7实现了86.3%的IOU,75.4%的mAP和80%的F1测量.
- YOLOv7的有效推断时间为每张图像0.32秒.
结论:
- YOLOv7显示出作为皮肤科医生人工智能工具的巨大潜力.
- 该模型可以帮助在皮肤癌的早期和准确诊断.
- 实施YOLOv7可能有助于减少不必要的活检的数量.
