LesionNet:使用SIFT功能与定制的卷积神经网络进行皮肤病变分类的自动化方法
Sarah A Alzakari1, Stephen Ojo2, James Wanliss2
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, Riyadh, Saudi Arabia.
Frontiers in medicine
|November 5, 2024
概括
这项研究介绍了LesionNet,这是一种用于检测皮肤病变的计算机辅助诊断工具. 通过将规模不变特征转换 (SIFT) 与定制卷积神经网络相结合,它在识别黑色细胞病变时达到99.28%的准确性.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
背景情况:
- 手动皮肤病变分析面临着效率低下和错误.
- 自动诊断系统需要对图像变化和文物进行强大的解决方案.
研究的目的:
- 开发一个精确的计算机辅助诊断系统,用于皮肤病变检测.
- 为了提高区分黑色素细胞病变与正常皮肤的精度.
主要方法:
- 使用HAM10000数据集进行培训和验证.
- 集成规模不变特征转换 (SIFT) 用于特征提取.
- 开发并应用了一个定制的卷积神经网络模型,名为LesionNet.
主要成果:
- 在皮肤病变分类中达到99.28%的高精度.
- 证明了模型对常见图像工件的强度.
- 成功地将黑色细胞病变与正常皮肤状况区分开来.
结论:
- 将SIFT功能与LesionNet相结合,显著提高了皮肤病变检测的准确性.
- 开发的模型显示了在皮肤病学中临床应用的巨大潜力.
- 先进的神经网络模型对于精确的自动化皮肤病变分析是有效的.


