通过先进的深度学习模型提高黑色素瘤诊断,专注于视觉变压器,旋转变压器和ConvNeXtt.
Serra Aksoy1, Pinar Demircioglu2,3, Ismail Bogrekci3
1Institute of Computer Science, Ludwig Maximilian University of Munich (LMU), Oettingenstrasse 67, 80538 Munich, Germany.
Dermatopathology (Basel, Switzerland)
|August 27, 2024
概括
早期发现侵袭性黑色素瘤至关重要. 先进的深度学习模型,特别是ConvNeXt,在皮肤镜像上对良性和恶性皮肤病变进行分类时显示出高准确度,提高了诊断效率.
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:
- 黑色素瘤是一种侵袭性皮肤癌,需要早期检测以改善生存率.
- 从皮肤镜图像准确诊断黑色素瘤是具有挑战性的,但对于及时治疗至关重要.
- 目前的诊断方法可以通过先进的计算方法来增强.
研究的目的:
- 评估深度学习模型的有效性,包括ConvNeXt,视觉变压器 (ViT) 基-16和Swin变压器V2小 (Swin V2 S),用于黑色素瘤分类.
- 用皮肤镜图像提高诊断良性与恶性黑色素瘤的准确性和效率.
- 为了确定最有效的深度学习架构用于早期黑色素瘤检测.
主要方法:
- 利用Kaggle的13,900张均大小的皮肤镜图像的数据集.
- 预处理的图像用于标准化深度学习模型的输入.
- 在对黑色素瘤进行分类时,比较了ConvNeXt,ViT Base-16和Swin V2 S模型的性能.
主要成果:
- ConvNeXt实现了最高的诊断准确率,达到91.5%.
- 对于良性 (90.45%,92.8%) 和恶性 (92.61%,90.2%) 病例,ConvNeXt表现出平衡的精度和回忆.
- ConvNeXt的F1得分为良性病例的91.61%和恶性病例的91.39%.
结论:
- 深度学习,特别是像ConvNeXt这样的混合架构,显示了准确的黑色素瘤诊断的巨大潜力.
- 通过自动化图像分析,ConvNeXt为改善早期黑色素瘤检测提供了一个有前途的工具.
- 对先进的人工智能模型的进一步研究可以增强皮肤病学中的医学图像分析.
