积极学习与粒子群集优化,以提高皮肤癌分类,利用深度CNN模型.
Sayantani Mandal1, Subhayu Ghosh2, Nanda Dulal Jana2
1Department of Mathematics, National Institute of Technology Durgapur, West Bengal, India.
Journal of imaging informatics in medicine
|November 18, 2024
概括
这项研究引入了使用主动学习 (AL) 和粒子群优化 (PSO) 的高效皮肤癌分类框架. AL-PSO方法显著提高了准确性,同时使用更少的标记数据用于AI驱动的皮肤癌检测.
科学领域:
- 皮肤病学和人工智能研究
- 计算生物学和生物信息学
背景情况:
- 皮肤癌,包括黑色素瘤和非黑色素瘤类型,构成了重大的全球健康挑战,需要早期检测以改善患者的治疗结果.
- 传统的皮肤癌分类深度学习模型往往需要大量的注释数据集和大量的计算能力,这限制了它们的广泛临床应用.
研究的目的:
- 通过将主动学习 (AL) 与粒子群优化 (PSO) 集成,开发一个高效的皮肤癌分类框架.
- 通过减少在皮肤癌检测中需要大型标记数据集和计算资源来解决传统深度学习模型的局限性.
主要方法:
- 采用积极学习 (AL) 框架,智能地选择最有信息的未标记的皮肤病变图像用于专家注释,从而最大限度地降低标签成本.
- 粒子群优化 (PSO) 被集成到AL过程中,以增强相关数据点的选择,优化分类器性能.
- 多重卷积神经网络 (CNN) 模型在HAM10000皮肤病变数据集上使用拟议的AL-PSO方法进行训练.
主要成果:
- 通过AL-PSO方法,皮肤癌检测分类准确度显著提高.
- 在AL-PSO框架内使用最小信心策略,在使用标记的培训数据的40%时,可以达到约89.4%的准确性.
- 与传统方法相比,这种方法在准确性和效率方面都有显著的收益.
结论:
- 积极学习 (AL) 和粒子群优化 (PSO) 的整合为增强基于AI的皮肤癌分类提供了一个高度有效的策略.
- 这种高效的框架有可能加速在临床环境中采用人工智能,以早期和准确地检测皮肤癌.
- 该研究提供了一个公开可用的代码库,以促进该领域的进一步研究和开发.
