用GAN合成和视觉转换器检测黑色素瘤的新方法

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:

• 黑色素瘤是一个关键的全球健康问题,需要准确和早期检测.
• 目前的诊断方法,如视觉检查和组织病理学,在效率,成本和准确性方面都有局限性.
• 深度学习对黑色素瘤检测有希望,但由于类似的病变外观和不平衡的数据集,它面临着挑战.

研究的目的:

• 开发一个强大的两阶段框架,以改善黑色素瘤检测.
• 解决良性和恶性黑色素瘤之间的高度相似性以及皮肤病变数据集中的类不平衡的挑战.

主要方法:

• 阶段1:采用风格的生成对抗网络与自适应歧视器增强来合成现实的黑色素瘤图像,创建增强数据集.
• 第二阶段:使用BatchFormer视觉变换器,采用双分支训练策略,在增强数据集上进行特征提取和病变检测.

主要成果:

• 拟议的方法在ISIC2020数据集上实现了高性能.
• 关键指标包括98.43%的准确性,98.63%的AUC和99.01%的F1得分.
• 超过了一些现有的黑色素瘤检测方法.

结论:

• 开发的框架对于早期黑色素瘤查是可行的和有效的.
• 显著提高黑色素瘤检测准确度,为医生提供了宝贵的帮助.
• 在人工智能辅助皮肤病诊断领域提供了有前途的进步.