一个修改的深度语义细分模型用于分析整个幻灯片的皮肤图像
Muhammad Zeeshan Asaf1, Hamid Rasul1, Muhammad Usman Akram2
1Department of Computer and Software Engineering, National University of Sciences and Technology, Islamabad, 44000, Pakistan.
Scientific reports
|October 8, 2024
概括
这项研究引入了一种改进的生物医学图像分析深度语义细分模型. 这种新的方法提高了非黑色素瘤皮肤癌图像细分的准确性,有助于计算机辅助诊断.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 组织病理学 组织病理学
背景情况:
- 自动化生物医学图像细分对于计算机辅助诊断至关重要,但由于图像变化而面临挑战.
- 当前的语义细分模型可能是复杂和缓慢的,阻碍了大型数据集的处理.
- 需要有效和准确的图像处理技术来进行生物医学细分.
研究的目的:
- 为可靠的生物医学图像细分开发一个修改后的深度语义细分模型.
- 为了提高细分非黑色素瘤皮肤癌在组织病理学图像中的准确性和效率.
- 解决现有模型在处理颜色,纹理和形状变化的局限性.
主要方法:
- 使用与UNet架构集成的EfficientNet-B3骨干开发了一种经过修改的深度语义细分模型.
- 该模型是在专门用于非黑色素瘤皮肤癌细分的组织病理学数据集上进行训练的.
- 该模型旨在将图像划分为12个不同的类别.
主要成果:
- 与现有方法相比,拟议的模型表现出优越的性能.
- 平均类准确度从79%增加到83%.
- 整体准确度有了显著的改善,从85%上升到94%.
结论:
- 修改后的EfficientNet-B3-UNet模型为生物医学图像细分提供了可靠和准确的解决方案.
- 这种方法提高了计算机辅助诊断系统检测异常的功能.
- 改进的准确性和效率使其适合处理大规模的组织病理学数据集.
