使用几何图案和CNN-SVM分类来检测不对称的病变.
M A Rasel1, Sameem Abdul Kareem1, Zhenli Kwan2
1Department of Artificial Intelligence, Faculty of Computer Science and Information Technology, Universiti Malaya, Kuala Lumpur, 50603, Malaysia.
Computers in biology and medicine
|July 14, 2024
概括
这项研究引入了一种新的算法,用于分析皮肤损伤形状的皮肤镜像,提高黑色素瘤诊断的准确性. 开发的图像处理技术有效地识别了不对称的病变,帮助临床医生在早期检测.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 皮肤镜成像揭示了皮肤结构对于诊断疾病至关重要.
- 不对称的病变形状是黑色素瘤诊断的一个关键标准.
- 准确评估病变不对称性对于早期检测至关重要.
研究的目的:
- 开发一种自动化图像处理算法,用于分析皮肤病变的形状.
- 根据临床标准帮助非专家识别不对称的病变.
- 通过形状分析,提高黑色素瘤诊断的准确性.
主要方法:
- 开发了一个监督学习算法来分析损伤几何.
- 临床评估被用来标记一个数据集的对称性信息.
- 一个预训练的卷积神经网络 (CNN) 提取了支持矢量机 (SVM) 分类器的特征.
主要成果:
- 基于几何学的实验实现了99.00%的不对称病变检测率.
- 基于CNN的实验获得了高分:94%的卡帕,95%的宏观F1和97%的加权F1.
- 开发的分类器在损伤形状分类方面超过了现有的最先进的方法.
结论:
- 拟议的算法有效地分析皮肤镜图像中的病变形状.
- 病变不对称性的自动分析可以显著帮助黑色素瘤的诊断.
- 这项研究证明了AI在改善皮肤病诊断方面的潜力.


