一个混合CNN与转移学习用于皮肤癌疾病检测和检测

科学领域:

• 皮肤病学和人工智能研究
• 医学图像分析 医学图像分析
• 计算瘤学计算瘤学

背景情况:

• 皮肤癌是全球癌症死亡的主要原因之一.
• 早期和准确的皮肤病变分类对于有效的治疗至关重要.
• 皮肤科医生的手动分类可能是耗时且具有挑战性的.

研究的目的:

• 开发和评估一个混合卷积神经网络 (CNN) 模型,集成转移学习和随机森林分类器.
• 提高皮肤癌检测和分类的精度.
• 为自动化皮肤病变分析提供可行和有效的工具.

主要方法:

• 提出了一个混合模型,将CNN与转移学习和随机森林分类器相结合.
• 利用两个不同的数据集,包括良性和恶性皮肤的图像,用于模型训练和验证.
• 使用转移学习技术来提高模型的特征提取能力.

主要成果:

• 混合模型在测试数据集上实现了高达90.11%的分类准确性.
• 在区分良性和恶性皮肤病变方面表现出高效.
• 经验分析证实了该模型在皮肤癌分类方面的可行性和有效性.

结论:

• 拟议的混合CNN和转移学习模型为准确的皮肤癌检测提供了一个有希望的方法.
• 这种自动化方法可以帮助皮肤科医生及时准确地分类皮肤病变.
• 该模型的性能表明它有潜力通过早期诊断来改善患者的结果.