增强皮肤癌诊断:一种基于深度特征提取的框架,用于利用皮肤镜图像进行皮肤癌多重分类

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:

• 皮肤癌是普遍存在的,致命的全球健康问题.
• 早期发现可显著降低死亡率.
• 皮肤透视有助于视觉诊断,但缺乏普遍接受的临床方法.

研究的目的:

• 开发和评估卷积神经网络 (CNN) 模型用于皮肤癌分类.
• 为了比较各种CNN架构和混合模型 (CNN-SVM,CNN-RF,CNN-LR) 的性能.
• 评估将患者元数据纳入基于图像的诊断中的影响.

主要方法:

• 为皮肤癌预测开发了四种CNN变体和三种混合模型.
• 探索性数据分析 (EDA) 和随机过量抽样被用于数据平衡.
• 网格搜索优化了混合模型的超参数.
• 在HAM10000数据集上评估了1015张皮肤镜像的性能.

主要成果:

• 在CNN模型 (原始,步行,CNN-SVM) 实现了98%的准确性.
• 混合模型CNN-随机森林 (CNNRF) 和CNN-物流回归 (CNNLR) 达到99%的准确性.
• 这些结果表明,在自动化皮肤癌预测方面具有很高的有效性.

结论:

• 拟议的深度学习和混合模型显示出在帮助皮肤科医生进行皮肤癌诊断方面显著的前景.
• 将患者元数据与病变图像相结合,对于提高诊断准确性至关重要.
• 进一步的研究可以导致临床可靠的皮肤癌检测自动化方法.