使用转移学习和随机森林算法进行癌症皮肤病变的两步层次二进制分类
Taofik Ahmed Suleiman1, Daniel Tweneboah Anyimadu1, Andrew Dwi Permana1
1Department of Electrical and Information Engineering, University of Cassino and Southern Lazio, Cassino, 03043, Italy.
Visual computing for industry, biomedicine, and art
|June 17, 2024
概括
一个新的混合深度学习和机器学习模型提高了皮肤病变分类的准确性. 这种方法有效地处理不平衡的数据集,这对于早期发现皮肤疾病至关重要.
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:
- 皮肤病变的分类对于早期疾病检测和诊断至关重要.
- 计算机辅助诊断工具改善了患者的治疗结果,尤其是在服务不足的地区.
- 目前的深度学习模型在与有限且不平衡的皮肤病变数据集作斗争.
研究的目的:
- 开发一种混合机器和深度学习模型,以改进皮肤病变的分类.
- 解决皮肤病检测数据不平衡和有限数据集大小所带来的挑战.
- 提高自动化皮肤病变诊断的效率和准确性.
主要方法:
- 实施了一种两步的层次二进制分类策略.
- 使用DenseNet121 (DNET) 作为一个特征提取器.
- 随机森林 (RF) 分类器与深度学习 (DL) 一起使用.
- 在国际皮肤成像协作 (ISIC 2017) 数据集上进行了实验.
主要成果:
- 混合层次方法实现了91.07%的平衡多类精度 (BMA).
- 这超过了纯粹的深度学习模型 (端到端DNET),该模型实现了88.66%的BMA.
- 随机森林组合与其他机器学习分类器相比显示出更高的效率.
- 该模型显著减少了计算时间.
结论:
- 拟议的混合层次模型有效地处理皮肤病变数据集中的大类不平衡.
- 这种方法提高了对现实应用的分类性能和效率.
- 这些发现表明了改善皮肤病学计算机辅助诊断的有希望的方向.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.3K
