解决皮肤癌诊断中的挑战:一种卷积性的猪转换器方法
Sudha Paraddy1, Virupakshappa2
1Computer Science & Engineering, PDA College of Engineering, Kalaburagi, India.
Journal of imaging informatics in medicine
|October 22, 2024
概括
一种新的卷积旋转变压器 (CSwinformer) 方法准确地细分和分类皮肤病变,改善早期皮肤癌诊断. 这种人工智能方法实现了高精度,帮助临床医生有效地识别癌症生长.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌的诊断是具有挑战性的,因为病变的变化和图像工件.
- 准确和早期发现皮肤癌对于患者的生存至关重要.
- 现有的诊断方法在处理复杂的病变特征方面存在局限性.
研究的目的:
- 引入一种新的卷积旋转变压器 (CSwinformer) 方法,用于精确的皮肤病变细分和分类.
- 解决皮肤癌诊断方面的挑战,包括病变外观和图像质量的变化.
- 提高皮肤癌自动检测系统的准确性和效率.
主要方法:
- 一个多阶段的框架,涉及数据预处理 (高斯过,Z-score规范化,增强),使用Swinformer-Net (Swin Transformer和U-Net集成) 进行细分,并通过MD-CNNFormer (多尺度扩展卷积神经网络满足变压器) 进行分类.
- 使用了四个基准数据集:HAM10000,ISBI 2016,PH2和皮肤癌ISIC进行全面评估.
- 开发并验证了一种用于医学图像分析的新型深度学习架构.
主要成果:
- 与传统方法相比,CSwinformer方法显示出更高的性能.
- 实现了高度指标:98.72%的分类精度,98.06%的像素精度和97.67%的子系数.
- 提出的细分和分类框架在不同的数据集上被证明是有效的.
结论:
- CSwinformer方法为准确的皮肤病变细分和分类提供了一个有希望的解决方案.
- 这种人工智能驱动的方法可以显著支持临床医生在皮肤癌的早期和准确诊断.
- 该研究强调了集成的变压器和CNN模型在推进皮肤病诊断方面的潜力.
