使用高效网络B0-B7通过卷积神经网络提高皮肤癌分类,并通过患者特定数据转移学习
Kanchana K1, Kavitha S1, Anoop K J2
1Department of Electrical and Electronics Engineering, Saveetha Engineering College, Tamil Nadu, India.
Asian Pacific journal of cancer prevention : APJCP
|May 29, 2024
概括
这项研究使用EfficientNets (B0-B7) 和转移学习来增强皮肤癌分类. EfficientNet-B7实现了84.4%的top-1精度,为皮肤学分析提供了一个更小,更有效的工具.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 皮肤癌的诊断是具有挑战性的,因为视觉变化.
- 卷积神经网络 (CNN),特别是EfficientNets,在分类方面表现有前途.
- 现有的方法与不平衡的数据集和视觉复杂性作斗争.
研究的目的:
- 为EfficientNet模型开发一个专门的预处理管道.
- 为了提高多类皮肤癌分类的诊断准确性.
- 利用转移学习来提高不平衡数据集的性能.
主要方法:
- 开发了一个定制的图像预处理管道 (缩放,增强,移除文物).
- 使用了EfficientNet B0-B7模型,并从ImageNet权重中学习转移.
- 使用精度,回忆,准确性,F1分数和混矩阵评估性能.
主要成果:
- 量身定制的预处理和转移学习显著提高了分类准确性.
- EfficientNet-B7实现了最高的top-1精度 (84.4%) 和top-5精度 (97.1%).
- 对于良性病 (>87%),准确度很高,但对于湿疹,和牛皮的分类仍然存在挑战.
结论:
- EfficientNets,特别是EfficientNet-B7,显示出精确皮肤学图像分析的巨大潜力.
- 使用ImageNet权重进行转移学习对于皮肤癌分类是有效的.
- 优化模型为现有方法提供了一个计算效率高的替代方案.
