增强的卷积神经网络架构,通过改进的黑群算法进行优化,用于使用皮肤学图像检测黑色素瘤
Weiqi Wu1, Liuyan Wen1, Shaoping Yuan1
1Department of Dermatology, The Fourth Affiliated Hospital of Guangzhou Medical University, Guangzhou, 511300, People's Republic of China.
Scientific reports
|November 6, 2024
概括
本研究介绍了一种人工智能驱动的方法,用于使用深度学习和优化的卷积神经网络 (CNN) 来自动检测黑色素瘤. 这种方法有助于临床医生从皮肤显微镜图像中早期和准确诊断皮肤癌.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 早期发现皮肤癌对于患者的治疗结果至关重要.
- 皮肤透视图像的手动诊断是劳动密集型的,容易出错.
- 需要自动诊断工具来提高效率和准确性.
研究的目的:
- 开发一种基于深度学习的方法来自动检测黑色素瘤.
- 通过使用元启发学来提高卷积神经网络 (CNN) 的性能.
- 为早期皮肤癌识别提供可靠的工具.
主要方法:
- 图像预处理技术应用于皮肤镜图像.
- 为黑色素瘤分类开发了一个优化的卷积神经网络 (CNN).
- 美国有线电视新闻网 (CNN) 使用改进的驼群算法 (CSA) 进行了训练,以优化性能.
- 在SIIM-ISIC黑色素瘤数据集上进行了验证.
主要成果:
- 提出的深度学习方法在诊断黑色素瘤方面表现出高准确性.
- 通过改进的驼群算法 (CSA) 确认了优化CNN的性能.
- 该方法显示了可靠的皮肤癌自动检测的巨大潜力.
结论:
- 开发的深度学习模型为自动黑色素瘤检测提供了有效的解决方案.
- 这种方法可以帮助临床医生及时准确地诊断皮肤癌.
- 这种方法有望成为早期癌症检测倡议的有价值工具.
