早期黑色素瘤癌症诊断框架 皮肤镜图像不平衡数据的框架
Amjad Rehman Khan1, Muhammad Mujahid1, Faten S Alamri2
1Artificial Intelligence & Data Analytics Lab. CCIS, Prince Sultan University, Riyadh, Saudi Arabia.
Microscopy research and technique
|November 22, 2024
概括
这项研究引入了一个新的深度学习框架,用于从皮肤镜图像中自动检测黑色素瘤,从而实现高精度. 该模型有助于医疗专业人员早期识别皮肤癌,提高患者的生存率.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 黑色素瘤是一种皮肤癌,构成了全球卫生挑战.
- 由于缺乏专业知识而延迟诊断增加了处理时间和成本.
- 早期发现黑色素瘤显著提高了患者的生存率.
研究的目的:
- 开发和评估一种新的深度学习框架,用于从皮肤镜图像中自动诊断黑色素瘤.
- 为了应对图像失衡和黑色素瘤检测数据有限的挑战.
- 为病理学家提供一个高效和精确的工具.
主要方法:
- 提出了一个新的框架,包括卷积神经网络 (CNN),DenseNet,批量规范化,最大集成和ReLU激活.
- 利用数据增强技术来缓解阶级不平衡问题.
- 采用Adam优化器来有效处理大型数据集.
主要成果:
- 在ISIC-2019数据集上达到95.70%的微平均精度,在HAM-10000数据集上达到93.24%.
- 与现有的深度学习方法相比,通过交叉验证证明了94.8%的准确性,表现出卓越的性能.
- 该框架有效地解决了过度装配的问题.
结论:
- 拟议的深度学习框架为自动黑色素瘤检测提供了一个有希望的解决方案.
- 这个工具可以帮助医疗专业人员在早期皮肤癌的识别.
- 该方法显示了提高皮肤病学诊断效率和准确性的潜力.
