整合色谱分析和卷积神经网络用于皮肤病变分类
M A Rasel1, Sameem Abdul Kareem1, Unaizah Obaidellah1
1Department of Artificial Intelligence, Faculty of Computer Science and Information Technology, Universiti Malaya, Kuala Lumpur, 50603, Malaysia.
Computers in biology and medicine
|October 12, 2024
概括
皮肤病变中的颜色数量是诊断黑色素瘤的重要指标. 一个新的卷积神经网络 (CNN) 模型有效地使用这种功能来分类病变,帮助早期检测.
科学领域:
- 皮肤病学和医学成像学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 皮肤病变的颜色对于诊断黑色素瘤和其他皮肤疾病至关重要.
- 现有的方法往往忽视了病变颜色多样性的定量方面.
- 需要一种新的方法来利用颜色复杂性来提高诊断准确度.
研究的目的:
- 引入和验证颜色数作为皮肤病变的新型诊断特征.
- 开发和评估一个卷积神经网络 (CNN) 以根据颜色计数对皮肤病变进行分类.
- 评估色号分析在黑色素瘤检测中的临床潜力.
主要方法:
- 在三个公共数据集 (PH2,ISIC2016,Med-Node) 上利用颜色直方图分析来量化病变颜色.
- 开发了一个19层的CNN与残余块,结合跳过连接,以增强功能学习.
- 采用DeepDream用于可视化和LIME用于特征解释性,以理解模型决策.
主要成果:
- 皮肤病变中的颜色数量被证实是重要的诊断特征.
- 拟议的CNN在根据颜色计数对病变进行分类时,获得了75.00%的最高加权F1分数.
- 有三个跳过连接的CNN配置表现出卓越的性能.
结论:
- 皮肤病变中存在的颜色数量是疾病严重程度和黑色素瘤分化的一个有价值的指标.
- 开发的CNN模型显示了在黑色素瘤诊断中临床整合的前景.
- 这种方法补充了传统的诊断方法,有可能提高早期检测率.
