使用深度学习算法与殖民地优化进行皮肤病变细分
Nadeem Sarwar1, Asma Irshad2, Qamar H Naith3
1Department of Computer Science, Bahria University Lahore Campus, Lahore, Pakistan. Nadeem_srwr@yahoo.com.
BMC medical informatics and decision making
|September 28, 2024
概括
这项研究介绍了一种混合残留网络 (ResUNet) 模型,该模型与殖民地优化 (ACO) 进行了优化,用于增强皮肤病变分类. 人工智能模型显著提高了诊断准确度,为临床使用提供了有前途的工具.
科学领域:
- 医疗成像中的人工智能
- 计算病理学计算病理学
- 机器学习用于皮肤病学
背景情况:
- 准确的皮肤病变细分对于诊断和监测至关重要.
- 深度学习模型为医学图像分析提供了进步.
- 混合ResUNet模型与殖民地优化 (ACO) 旨在提高皮肤病变诊断效率.
研究的目的:
- 评估混合ResUNet模型在皮肤病变分类中的有效性.
- 评估 ACO 对优化混合 ResUNet 模型的影响.
- 在人工智能驱动的皮肤病学中弥合计算效率和临床实用性之间的差距.
主要方法:
- 一种使用混合ResUNet模型训练各种皮肤病变数据的深度学习方法.
- 使用殖民地优化 (ACO) 的混合ResUNet模型的超参数优化.
- 使用精度,子系数和雅卡德指数进行性能评估,与ResNet和U-Net进行比较.
主要成果:
- 混合ResUNet模型实现了高分类准确度 (95.8%),子系数 (93.1%) 和贾卡德指数 (87.5%).
- 与现有最先进的方法相比,表现出优越的性能.
- 在细分复杂的皮肤病变方面表现出卓越的能力,提高了诊断精度.
结论:
- 将ResUNet与ACO集成显著提高了皮肤病变分类的准确性.
- 混合ResUNet模型为AI工具的临床部署提供了一个可行的策略.
- 未来的工作包括探索多模式成像,替代优化算法和临床适用性.
