混合深度学习框架用于使用皮肤镜医学图像进行黑色素瘤诊断
Muhammad Mateen1, Shaukat Hayat2, Fizzah Arshad3
1School of Electronic and Information Engineering, Soochow University, Suzhou 215006, China.
Diagnostics (Basel, Switzerland)
|October 16, 2024
概括
一个新的混合深度学习模型使用先进的图像分析准确检测黑色素瘤 (皮肤癌). 这种人工智能工具对早期诊断充满希望,可能挽救生命.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 黑色素瘤是一种危险的皮肤癌,是全球重要的健康问题.
- 早期和准确的诊断对于改善患者的治疗结果至关重要.
- 深度学习方法越来越多地用于医学图像分析.
研究的目的:
- 为皮肤癌的早期和准确的诊断和分类提出混合深度学习方法.
- 为了利用先进的深度学习架构来增强黑色素瘤检测.
主要方法:
- 这是一个混合深度学习模型,结合了U-Net进行细分,Inception-ResNet-v2用于特征提取,Vision Transformer与自我注意力进行特征改进.
- 使用超参数调整来优化分类准确性.
- 该模型在ISIC2020和HAM10000数据集上进行了训练和验证.
主要成果:
- 提出的方法实现了高性能指标:98.65%的准确性,99.20%的灵敏性和98.03%的特异性在ISIC2020数据集上.
- 性能超过了皮肤癌分类的现有方法.
- 在HAM10000数据集上进行的废弃研究验证了该模型的有效性.
结论:
- 开发的混合深度学习模型显示了早期检测黑色素瘤的巨大潜力.
- 这种方法可以作为一个有价值的工具,帮助皮肤科医生在临床实践中.
- 这些发现突出了整合多个深度学习架构用于复杂医学诊断的有效性.
