皮肤癌分类利用多方向紧卷积神经网络集体和波波浪.
1Department of Electronics and Communications Engineering, College of Engineering and Technology, Arab Academy for Science, Technology and Maritime Transport, Alexandria, 21937, Egypt. o.attallah@aast.edu.
Scientific reports
|September 4, 2024
概括
这项研究介绍了SCaLiNG,这是一种用于皮肤癌 (SC) 检测的新型深度学习工具. SCaLiNG通过将多个紧的卷积神经网络 (CNN) 与Gabor Wavelets相结合,提高诊断准确度,以进行全面的特征分析.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌 (SC) 诊断依赖于主观的皮肤科医生评估,需要客观的支持工具.
- 当前的深度学习计算机辅助诊断 (CAD) 平台经常使用复杂的单个卷积神经网络 (CNN),限制了它们的有效性.
- 现有的CAD工具主要利用空间图像信息,忽略了对于准确的SC分类至关重要的纹理和频率属性.
研究的目的:
- 开发一种创新的CAD工具SCaLiNG,克服了皮肤癌诊断现有的深度学习模型的局限性.
- 通过整合各种特征表示来提高皮肤癌分类的准确性和效率.
- 为皮肤科医生提供更可靠,更准确的工具来识别和分类皮肤癌亚型.
主要方法:
- SCaLiNG采用了三种紧的卷积神经网络 (CNNs) 和Gabor波段 (GW) 的融合,以提取空间,纹理和频率特征.
- 博波段将图像分解为定向子频段,使CNN能够从原始图像旁边的多方向信息中学习.
- 应用特征选择方法来识别和利用最具歧视性的特征,优化模型性能.
主要成果:
- 在分类皮肤癌亚型时,SCaLiNG的分类准确度为0.9170.
- 该模型与传统的单个CNN方法论相比,显示出更高的性能.
- 整合空间-纹理-频率属性和特征选择显著提高了诊断准确度.
结论:
- SCaLiNG为皮肤癌的计算机辅助诊断提供了一个强大而准确的解决方案.
- 结合紧的CNN和Gabor Wavelets的创新方法为改进的分类提供了全面的特征表示.
- SCaLiNG有可能显著帮助皮肤科医生快速准确地识别和分类皮肤癌,最终改善患者的治疗结果.
