改变皮肤癌诊断:使用Ham10000数据集的深度学习方法

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:

• 皮肤癌 (SC) 是一种普遍存在的全球恶性瘤,黑色素瘤是死亡风险最高的.
• 精确的SC早期检测对于有效的治疗至关重要,但由于病变相似,视觉诊断具有挑战性.
• 现有的诊断方法在癌症和良性皮肤病变之间的微妙差异上扎.

研究的目的:

• 开发和评估一种新的深度学习 (DL) 系统,用于自动分类七种常见的皮肤病变类型.
• 引入多谷物增强深层布森林 (Mg-EDCF) 作为皮肤病变分析的优质DL模型.
• 将拟议的Mg-EDCF模型的性能与已建立的转移学习 (TL) 模型进行比较.

主要方法:

• Mg-EDCF模型使用亚样本多粒度扫描 (Mg-sc) 进行微特征提取.
• 随机森林 (RF) 分类器生成输入特征,其次是用于分类的增强深层层级森林 (EDCF).
• 使用HAM10000数据集对Mg-EDCF与ResNet,AlexNet和VGG16模型进行培训和验证.

主要成果:

• 拟议的Mg-EDCF模型实现了98.19%的平均精度,超过了竞争中的TL模型.
• 绩效评估包括在培训和验证阶段比较准确度和损失指标.
• 对最先进的算法进行验证证实了Mg-EDCF方法的卓越准确性.

结论:

• 新型的Mg-EDCF深度学习系统在分类各种皮肤病变方面表现出了卓越的性能.
• 这种自动化方法在早期和准确检测皮肤癌方面取得了重大进展.
• 这些发现表明Mg-EDCF有潜力帮助临床医生更有效地诊断皮肤病变.