使用优化的CNN架构和自动皮肤病变分类检查点进行增强的皮肤癌诊断
M Mohamed Musthafa1, Mahesh T R2, Vinoth Kumar V3
1Al-Ameen Engineering College (Autonomous), Erode, Tamil Nadu, India.
BMC medical imaging
|August 2, 2024
概括
这项研究引入了使用卷积神经网络 (CNN) 进行准确皮肤癌检测的深度学习模型. 这种先进的模型通过皮肤镜像对皮肤病变进行了高精度的分类,有助于早期诊断.
科学领域:
- 皮肤病学 皮肤病学
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 皮肤癌的诊断在很大程度上依赖于皮肤科医生的专业知识,强调需要自动化,可靠的诊断工具.
- 早期发现皮肤癌对于成功治疗和改善患者的治疗结果至关重要.
- 深度学习,特别是卷积神经网络 (CNN),为提高诊断准确性和效率提供了潜力.
研究的目的:
- 开发和评估一种复杂的CNN模型,用于准确地分类皮肤病变.
- 提高皮肤癌自动诊断的效率和可靠性.
- 利用深度学习来提高皮肤癌的早期检测和分类.
主要方法:
- 利用了HAM10000数据集,这是一个大量的皮肤病变皮肤镜像.
- 设计了一个CNN模型,用于特征提取多个卷积,聚合和密集层.
- 实施数据增强技术以解决阶级不平衡问题,并使用Adam优化器在50个时代的训练中,批量大小为128.
主要成果:
- 拟议的CNN模型实现了97.78%的诊断准确度.
- 该模型展示了高性能指标,包括97.9%的精度,97.9%的回忆率和97.8%的F2得分.
- 优化模型配置和数据增强显著提高了诊断精度.
结论:
- 开发的CNN模型显示了作为早期皮肤癌检测和分类的强大工具的巨大潜力.
- 该模型的高精度支持皮肤病学中的临床决策.
- 这种方法可以通过更精确,更有效的诊断来改善患者的治疗结果.
