三种深度学习模型的比较,精确地分类了770张皮肤显微镜皮肤损伤图像
Abdulmateen Adebiyi1, Praveen Rao1, Jesse Hirner2
1Department of Electrical Engineering and Computer Science, University of Missouri.
概括
深度学习模型可以从皮肤透视图像中对皮肤病变进行分类. 丹森网121显示出最佳性能,有助于早期皮肤癌诊断.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的皮肤癌诊断对于早期发现和治疗至关重要.
- 皮肤透视图像对于视觉评估皮肤病变至关重要.
- 深度学习为皮肤病学中自动化图像分析提供了潜力.
研究的目的:
- 评估深度学习模型,使用皮肤显微镜图像对良性和恶性皮肤病变进行分类.
- 为了比较ResNet50,DenseNet121和Inception-V3模型的性能.
- 评估脱毛算法对分类准确性的影响.
主要方法:
- 从MU医疗保健获得了770张未识别的皮肤镜像.
- 创建了三个数据集:原始图像和去毛的图像.
- 训练并评估ResNet50,DenseNet121和Inception-V3模型,使用准确度和AUC ROC指标.
主要成果:
- 在去除毛发的数据集中,DenseNet121获得了最高的准确度 (80.52%) 和AUC ROC (0.81).
- 该模型的灵敏度为0.80,特异性为0.81.
- 分析了SHAP值,以确定模型的可解释性.
结论:
- 深度学习,特别是脱毛的DenseNet121,显示了准确的皮肤病变分类的前景.
- 这些发现支持使用人工智能来改善早期皮肤癌诊断.
- 进一步的研究可以探索可解释性方法,如临床信任的SHAP.
