基于优化的卷积神经网络和多标准决策的皮肤癌分类

科学领域:

• 皮肤病学和人工智能研究
• 计算病理学计算病理学
• 医学图像分析 医学图像分析

背景情况:

• 早期发现皮肤癌对于有效治疗至关重要.
• 许多人工智能模型用于皮肤癌检测,但最佳模型选择往往被忽视.
• 对各种模型进行基准测试对于在皮肤癌诊断中推进AI至关重要.

研究的目的:

• 开发和比较多种人工智能模型用于皮肤癌分类.
• 通过系统的基准测试过程确定皮肤癌分类的最佳模型.
• 评估特征减少技术对模型性能的影响.

主要方法:

• 使用了四个卷积神经网络 (CNN) 架构 (AlexNet,Inception V3,MobileNet V2,ResNet 50) 来进行特征提取.
• 使用灰狼优化器 (GWO) 算法实现了功能减少,并与原始功能进行了比较.
• 使用六个机器学习 (ML) 分类器将皮肤癌图像分为四个类别,从而产生51个不同的模型.
• 采用RAPS (根据周边相似性对替代品进行排名) 多标准决策方法进行模型选择.
• 在国际皮肤成像协作 (ISIC) 2017年数据集上训练和测试模型.

主要成果:

• 亚历克斯网CNN结合经典的GWO算法来减少特征,成为最优的模型.
• 这种最佳模型在ISIC 2017数据集上实现了94.5%的高分类准确度.
• 使用GWO的特征减少在减少培训时间和提高分类准确度方面证明了好处.
• 在51个已开发的模型中,RAPS方法在强有力的选择表现最佳的模型方面被证明是有效的.

结论:

• 这项研究为皮肤癌分类模型提供了全面的基准.
• 最佳模型,GWO的AlexNet,为准确和高效的皮肤癌检测提供了一个有前途的方法.
• 功能减少技术对于改善医疗图像分析中的AI模型性能至关重要.
• 在复杂的分类任务中,RAPS方法是选择最佳AI模型的宝贵工具.