通过注意力引导的双自编码器方法来检测皮肤癌,并使用极端学习机器来进行检测
Ritesh Maurya1, Satyajit Mahapatra2, Malay Kishore Dutta1
1Amity Centre for Artificial Intelligence, Amity University, Noida, India.
Scientific reports
|August 1, 2024
概括
这项研究介绍了DualAutoELM,一种用于早期发现皮肤癌的人工智能 (AI) 方法. 这种新的方法结合了空间和快速里埃转换 (FFT) 自动编码器,提高了识别皮肤恶性瘤的准确性.
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:
- 早期发现皮肤癌对于预防转移和改善患者的治疗结果至关重要.
- 人工智能 (AI) 为提高诊断准确性提供了有希望的自动化解决方案.
研究的目的:
- 介绍DualAutoELM,一种基于人工智能的新方法,用于有效识别各种类型的皮肤癌.
- 利用带有注意力机制的双自编码器网络,以改善皮肤病变图像中的特征学习.
主要方法:
- 双AutoELM方法使用空间自编码器和快速里埃转换 (FFT) 自编码器来学习不同的图像特征.
- 注意模块集成在自动编码器编码器中,以增强歧视性特征提取.
- 一个单层的前极端学习机器 (ELM) 根据已学习的特征对皮肤恶性瘤进行分类.
主要成果:
- 双AutoELM方法在HAM10000数据集上实现了高性能 (AUC:0.98,精度:97.68%,准确率:97.66%).
- 在ISIC-2017数据集中,该方法表现出强的结果 (AUC:0.95,精度:86.75%,准确度:86.68%).
- 实验结果证实了用于皮肤癌检测的拟议人工智能技术的准确性和稳定性.
结论:
- 双AutoELM方法显示了精确和早期发现皮肤癌的巨大潜力.
- 通过自动编码器集成空间和频域分析,提高了诊断能力.
- 这种人工智能驱动的方法为改善皮肤癌诊断和患者护理提供了有希望的工具.
更多相关视频
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
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
512
