一个基于 SpaSA 的新型超参数优化 FCEDN 与适应性 CNN 分类用于皮肤癌检测
Rizwan Ali1, A Manikandan2, Rui Lei3
1Department of Plastic Surgery, The First Affiliated Hospital, School of Medicine, Zhejiang University, No. 79 Qingchun Road, Hangzhou, 310003, China.
Scientific reports
|April 23, 2024
概括
这项研究引入了一种使用先进的图像处理来早期发现皮肤癌的新方法. 拟议的技术准确地细分和分类皮肤病变,提高诊断效率.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 皮肤癌是全球普遍存在的健康问题,早期发现会对治疗结果产生重大影响.
- 图像预处理对于提高皮肤镜像在皮肤癌自动诊断中的质量至关重要.
- 现有的方法需要进一步优化,以提高准确性和效率.
研究的目的:
- 编制可访问的皮肤癌成像预处理技术.
- 通过深度学习和优化算法,提出一种用于细分和分类皮肤病变的新方法.
- 为研究人员在皮肤癌自动诊断方面提供起点.
主要方法:
- 一个完全卷积式编码器-解码器网络与Sparrow搜索算法 (FCEDN-SpaSA) 结合开发用于图像细分.
- 基于邻居的搜索策略被集成到SpaSA中,平衡勘探和开发.
- 用一种自适应卷积神经网络 (CNN) 技术来分类皮肤病变.
主要成果:
- 该FCEDN-SpaSA方法实现了高细分精度:95.28% (ISBI 2017),95.89% (ISIC 2018),和92.70% (PH2数据集).
- 分类准确率达到了91.67%.
- 拟议的方法证明了与减少能源,存储,内存访问和培训时间的增量学习技术相比较的分类性能.
结论:
- 开发的FCEDN-SpaSA方法为皮肤病变细分和分类提供了一种高效和准确的方法.
- 这项技术显示了改进皮肤癌自动诊断系统的潜力.
- 该研究强调了将先进的人工智能算法集成到医疗图像分析中的有效性.
