使用社会蜘蛛优化 (SSO) 和纠错输出代码 (ECOC) 诊断皮肤癌,加权杆距离
Jafaridarabjerdi Mahin1, Xuezhu Xu2, Ling Li1
1Department of Dermatology, The Second Hospital of Dalian Medical University, Dalian, 116023, China.
Scientific reports
|October 3, 2024
概括
这项研究引入了一种先进的机器视觉方法,用于早期发现皮肤癌. 它将优化与监督学习相结合,显著提高了皮肤病变的诊断准确性.
科学领域:
- 医学成像医学成像
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 早期发现皮肤癌对于有效治疗至关重要.
- 计算机辅助诊断系统,特别是使用监督学习的诊断系统,有助于提前诊断.
- 现有的方法需要提高准确性和效率.
研究的目的:
- 开发和评估一种新的机器视觉方法,以改善皮肤癌诊断.
- 为了提高准确性,将优化技术与监督学习相结合.
- 用基准皮肤病变数据集验证拟议的方法.
主要方法:
- 数据预处理以删除不相关信息.
- 使用K-means集群和社交蜘蛛优化进行图像细分.
- 通过卷积神经网络 (CNN) 提取特征.
- 使用马分类器与纠错输出代码 (ECOC) 和加权哈明距离进行分类.
主要成果:
- 在ISIC-2016 (97.10%) 和ISIC-2017 (95.17%) 数据集上实现了最先进的准确性.
- 与现有方法相比,证明了至少1.17%的更高准确度.
- 成功细分了皮肤病变,并提取了用于分类的重要特征.
结论:
- 拟议的方法显著提高了皮肤癌检测的准确性.
- 用于特征提取的CNN和基于ECOC的马分类器的组合非常有效.
- 这种方法在早期皮肤癌诊断中对临床应用非常有前途.
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
2.2K
11:02Detecting Somatic Genetic Alterations in Tumor Specimens by Exon Capture and Massively Parallel Sequencing
Published on: October 18, 2013
19.4K
