CFI-Net:一个基于Choquet的模糊整体组合网络,具有PSO优化的模糊措施,用于诊断多种皮肤疾病,包括mpox

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确诊断皮肤和口腔疾病对于患者护理至关重要.
• 动物性病毒性疾病Mopox需要紧急和精确的诊断方法,因为它有可能从人到人传播.
• 现有的诊断方法可能缺乏用于复杂疾病识别所需的精度.

研究的目的:

• 引入一种新的集体学习方法,CFI-Net,用于准确分类皮肤疾病,包括Mpox,足和口腔疾病.
• 通过转移学习来提高基础分类器的性能.
• 使用元启发式算法优化Choquet模糊积分中的模糊度量.

主要方法:

• 使用了DenseNet169,MobileNetV1和DenseNet201的基础分类器进行转移学习.
• 使用Choquet模糊积分 (CFI) 来汇总来自基础分类器的预测,以便进行可靠的分类.
• 使用元启发式优化算法优化模糊测量,消除手动调整.
• 评估了四个公共数据集的性能:两个是Mpox,一个是脚,一个是口腔疾病.

主要成果:

• 在所有测试的数据集中,CFI-Net显示了疾病分类准确性的显著改善.
• 实现了高准确率:98.06%和94.81%的Mpox检测,99.06%的脚检测,99.61%的口腔疾病分类.
• 格拉德-CAM分析为模型的决策过程提供了洞察力,提高了可解释性.

结论:

• CFI-Net提供一种高效和准确的方法来诊断各种皮肤和口腔疾病,包括Mpox.
• 集体学习与Choquet模糊积分和元启发式优化集成显著提高了诊断精度.
• 这项研究推进了自动疾病诊断,突出了医疗成像中智能融合技术的潜力.