优化注意力诱导的多头卷积神经网络,使用皮肤镜图像进行高效的netv2-促进黑色素瘤分类
M Maheswari1, Mohamed Uvaze Ahamed Ayoobkhan2, C P Shirley3
1Department of Information Technology, DMI College of Engineering, Chennai, Tamil Nadu, India. maheshwari.mnsnew@gmail.com.
Medical & biological engineering & computing
|June 4, 2024
概括
本研究介绍了一种人工智能模型,用于使用皮肤镜图像检测黑色素瘤. 优化注意力诱导多头卷积神经网络与EfficientNetV2 (AIMCNN-ENetV2-MC) 在分类黑色素瘤和良性神经瘤方面实现了高精度.
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:
- 黑色素瘤是一种危险的皮肤癌,需要早期检测.
- 皮肤镜成像有助于诊断,但将黑色素瘤与其他疾病区分开来是具有挑战性的.
- 手动诊断是耗时的,需要专家皮肤科医生.
研究的目的:
- 开发一种自动化系统,从皮肤镜图像中准确分类黑色素瘤.
- 通过深度学习提高黑色素瘤诊断的效率和准确性.
主要方法:
- 提出了一个优化注意力诱导的多头卷积神经网络与EfficientNetV2 (AIMCNN-ENetV2-MC).
- 使用自适应扭曲高斯匹配波器 (ADGMF) 进行图像预处理.
- 使用增强的黑猩猩优化算法 (BCOA) 优化了分类器.
主要成果:
- 在分类状黑色素瘤和良性瘤方面取得了98.75%的整体准确性.
- 与现有模型相比,演示了减少98秒的计算时间.
- 该AIMCNN-ENetV2-MC模型在黑色素瘤分类方面表现出卓越的表现.
结论:
- 拟议的AIMCNN-ENetV2-MC模型为黑色素瘤检测提供了一个高度准确和高效的解决方案.
- 使用深度学习的自动分类可以显著帮助皮肤科医生在早期黑色素瘤识别.
- 这种人工智能驱动的方法有可能通过及时诊断来改善患者的治疗结果.


