E-VGG19模型的绩效评估:改善实时皮肤癌检测和分类

科学领域:

• 皮肤病学和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 皮肤癌是一个重要的全球健康问题,需要早期检测以获得更好的患者结果.
• 机器学习 (ML) 和深度学习模型显示了改善皮肤癌诊断准确性的潜力.
• 自动检测系统可以帮助医疗保健专业人员识别皮肤病变.

研究的目的:

• 增强VGG19预训练模型用于皮肤癌预测.
• 评估各种预训练深度学习模型 (VGG19,ResNet152v2,InceptionResNetV2,DenseNet201,ResNet50,InceptionV3) 的性能,用于皮肤病变的分类.
• 为了比较传统机器学习分类器在与增强的深度学习功能相结合时的有效性.

主要方法:

• 使用VGG19预训练模型,增强了最大池和密集层,用于皮肤癌症检测.
• 探索并比较了多个预训练模型,包括VGG19,ResNet152v2,InceptionResNetV2,DenseNet201,ResNet50和InceptionV3.3等.
• 在皮肤病变数据集上训练模型,将病变分类为恶性或良性,并使用线性SVM,KNN,DT,LR和SVM提取特征进行分类.

主要成果:

• 增强的VGG19 (E-VGG19) 模型与传统分类器相结合,显著提高了皮肤癌检测的整体分类准确性.
• 使用诸如回忆,F1分数,精度,灵敏度和准确度等指标的性能比较揭示了拟议方法的有效性.
• 该研究表明了将深度学习特征提取与经典的ML分类器集成在一起的价值,以进行强大的皮肤病变分析.

结论:

• 将E-VGG19模型与传统分类器相结合,为准确的皮肤癌检测和分类提供了强大的方法.
• 这些发现为选择最佳模型和分类器提供了宝贵的见解,用于自动化皮肤癌查.
• 这项研究有助于开发用于早期皮肤癌识别的先进技术,从而有可能改善治疗结果.