深度学习方法用于皮肤黑色素瘤和良性分类,使用经验波纹分解
概括
一种新的经验波纹分解 (EWD) 模型在识别皮肤病变特征时实现了100%的准确性,用于早期检测黑色素瘤. 这种先进的模型在偏远地区为基于移动的诊断提供了潜力.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 信号处理 信号处理
背景情况:
- 黑色素瘤是一种致命的皮肤癌,早期发现可显著改善患者的治疗结果.
- 皮肤病变图像的计算机辅助分析可以帮助区分黑色素瘤和良性病变.
- 提取图像特征对于早期和准确的诊断至关重要.
研究的目的:
- 引入和评估一种新的实证波纹分解 (EWD) 模型,利用太阳高波模块化镜库 (THMFB) 来提取皮肤病变图像特征.
- 将新的EWD-THMFBs模型的性能与现有的分解方法进行比较.
主要方法:
- 这项研究使用了一种新的经验波纹分解 (EWD) 模型,该模型基于色过度模块化过器银行 (THMFB) 来使用MATLAB从皮肤病变图像中提取特征.
- 该EWD-THMFBs模型与基于THMFB (ESTFD-THMFBs) 的实证短时间里埃分解法和基于THMFB (EFD-THMFBs) 的实证里埃分解法进行了基准测试.
主要成果:
- 该EWD-THMFBs模型表现出卓越的性能,达到100%的准确性和曲线下的面积 (AUC) 为1.
- 相比之下,ESTFD-THMFBs模型的准确率为98.89%,AUC为0.97.
- 该EFD-THMFBs模型实现了83.33%的准确性和0.91.9的AUC.
结论:
- EWD-THMFBs模型对于从皮肤病变图像中提取特征非常有效,其性能优于其他测试方法.
- 该模型的成功表明,它有可能集成到移动应用程序中,用于在服务不足的地区的护士初步检测皮肤病变.
- 这项技术所促进的早期检测可能会显著影响黑色素瘤患者的生存率.
