多个尺度的特征融合和对皮肤病变分类的体重减轻类别
Zhentao Hu1, Weiqiang Mei1, Hongyu Chen1
1School of Artificial Intelligence, Henan University, Zhengzhou, 450046, China.
Computers in biology and medicine
|May 18, 2024
概括
深度学习模型现在可以使用新的多尺度融合结构更准确地检测皮肤癌. 这种方法结合了浅层和深层特征,改善了从皮肤显微镜图像中早期发现皮肤癌的方法.
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
- 计算病理学计算病理学
背景情况:
- 皮肤癌对健康构成重大威胁,原因是其快速传播和早期检测的困难.
- 深度学习在皮肤镜图像中对皮肤癌的检测有希望,但面临着诸如阶级间相似性和阶级内变异性等挑战.
- 准确的皮肤病变分类对于及时诊断和治疗至关重要.
研究的目的:
- 开发一种更准确的深度学习模型,用于使用皮肤镜图像对皮肤癌症进行分类.
- 解决皮肤病变图像分析的挑战,包括类不平衡和特征变异.
- 评估特定特征 (如毛发和病变区域) 对分类性能的影响.
主要方法:
- 为了加强分类,提出了一种结合浅层和深层特征的新型多尺度融合结构.
- 实施了包括类权重,标签光滑和重新采样在内的技术,以处理类不平衡.
- 实验使用HAM10000和ISIC2019数据集进行,包括HAM10000_RE (脱毛) 和HAM10000_SE (细分损伤区域) 等变异.
主要成果:
- 拟议的多尺度聚变模型在基准数据集上实现了高精度.
- 在HAM10000数据集上,该模型的精度 (ACC) 为94.0%,曲线下的面积 (AUC) 为99.3%.
- 该模型在ISIC2019数据集上表现出强的表现,ACC为89.8%,超过了最先进的模型.
结论:
- 多级融合结构有效提高了基于深度学习的皮肤癌分类的准确性.
- 解决类不平衡和理解特征的重要性 (例如,损伤区域) 对于强大的诊断模型至关重要.
- 开发的模型显示出在皮肤镜图像分析中用于皮肤癌检测的临床应用的绝佳潜力.
