基于图像数据集的黑色素瘤皮肤癌症的分类使用不同的神经网络
Rukhsar Sabir1, Tahir Mehmood2
1School of Natural Sciences, National University of Science and Technology, Islamabad, 46000, Pakistan. rukhsarsabir17@gmail.com.
Scientific reports
|November 29, 2024
概括
EfficientNet-B0在黑色素瘤分类中达到97%的准确性,在早期皮肤癌检测方面表现优于其他神经网络. 这种进步有助于通过精确的诊断挽救生命.
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:
- 黑色素瘤的分类对于早期检测和患者的生存至关重要.
- 先进的神经网络为改善医学成像诊断准确性提供了潜力.
研究的目的:
- 评估和比较卷积神经网络 (CNN),ResNet-18和EfficientNet-B0对黑色素瘤分类的性能.
- 为了证明这些模型在帮助早期和准确的黑色素瘤诊断方面的有效性.
主要方法:
- 一个多阶段的方法,包括图像规范化,增强,细分,特征提取和分类.
- 使用各种性能指标对基本的CNN,ResNet-18和EfficientNet-B0进行严格的评估.
主要成果:
- EfficientNet-B0实现了最高的准确性 (97%),超过了ResNet-18 (87%) 和基本的CNN (80%).
- EfficientNet-B0表现出极好的灵敏度 (99%),特异性 (93%),F1得分 (97%) 和精度 (95%).
- 在所有评估指标上,EfficientNet-B0的表现优于其他模型,包括马修的相关系数和几何平均值.
结论:
- 神经网络模型,特别是EfficientNet-B0,显示出对精确和高效的黑色素瘤皮肤癌检测有很大的希望.
- 这些发现支持使用先进的AI模型来改善皮肤病学诊断结果.
