基于微调卷积神经网络的黑色素瘤识别和分类模型.
Maram F Almufareh1, Noshina Tariq2, Mamoona Humayun1
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakakah Al Jouf, Saudi Arabia.
Digital health
|May 27, 2024
概括
这项研究引入了一种深度学习模型,用于使用人工智能早期检测黑色素瘤. 卷积神经网络 (CNN) 在分类皮肤病变方面取得了更高的准确性,有助于早期诊断和患者的治疗结果.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 皮肤癌,特别是黑色素瘤,是一种致命且不可预测的疾病.
- 人工智能 (AI) 和图像识别方面的进步正在彻底改变诊断.
- 早期检测对于改善皮肤癌患者的治疗结果至关重要.
研究的目的:
- 开发一个强大的图像分类模型,用于早期检测黑色素瘤.
- 通过先进的诊断工具支持医疗物联网 (IoMT) 应用程序.
- 利用深度学习 (DL) 和卷积神经网络 (CNN) 进行增强的黑色素瘤诊断.
主要方法:
- 利用基于CNN的方法对皮肤镜图像进行图像分类.
- 分析了公开可用的数据集,包括DermIS,DermQuest和ISIC2019.
- 采用卷积,聚合和完全连接的层来进行特征提取和分类,并结合转移学习.
主要成果:
- 拟议的CNN模型在区分恶性和良性皮肤病变方面表现出很高的准确性.
- 与当前的最佳实践相比,实现了更好的检测准确度:5%在DermIS,6%在DermQuest和0.81%在ISIC2019.
- 利用软-max分类和支持向量机来评估深度特征分类性能.
结论:
- 这项研究强调了CNN在黑色素瘤检测方面的巨大潜力.
- 开发的模型有助于皮肤科医生准确地做出早期诊断的决定.
- 通过增强皮肤癌诊断能力,有助于改善患者的治疗结果.


