基于混合深度学习的皮肤癌分类,使用RPO-SegNet进行皮肤病变细分
Visu Pandurangan1, Smitha Ponnayyan Sarojam2, Pughazendi Narayanan3
1Department of Artificial Intelligence and Data Science, Velammal Engineering College, Chennai, Tamil Nadu, India.
Network (Bristol, England)
|December 4, 2024
概括
这项研究引入了一种新的深度学习方法,用于准确检测皮肤癌. 拟议的 RPO-SegNet 和 FSCMN 模型显著改善了皮肤黑色素病变的识别和分类,提高了诊断准确度.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 由黑色素细胞过度生长引起的皮肤黑色素病变在全球范围内正在增加.
- 准确及时诊断皮肤癌对于降低死亡率至关重要.
- 错误的诊断可能会给患者带来严重的,危及生命的后果.
研究的目的:
- 为准确的皮肤病变细分和皮肤癌分类提出一个新的深度学习框架.
- 提高皮肤癌的早期检测和诊断.
- 提高皮肤癌自动识别系统的可靠性和准确性.
主要方法:
- 通过整合反复原型网络 (RP-Net) 和对象细分网络 (O-SegNet),开发了反复原型对象细分网络 (RPO-SegNet).
- 实现了混合深度学习 (DL) 模型,将基于 Fuzzy 的 Shepard 卷积 Maxout 网络 (FSCMN) 与深度 Maxout 网络 (DMN) 和 Shepard 卷积神经网络 (ShCNN) 结合起来进行分类.
- 利用图像预处理,细分,特征提取和分类阶段进行皮肤病变分析.
主要成果:
- 该RPO-SegNet+FSCMN模型实现了高性能指标.
- 获得准确率为91.985%,真负率 (TNR) 为92.735%,真阳性率 (TPR) 为93.485%.
- 展示了强大的细分性能,子系数为90.902%和贾卡德系数为90.164%.
结论:
- 拟议的RPO-SegNet+FSCMN深度学习框架在皮肤病变细分和皮肤癌分类方面取得了重大进展.
- 该模型显示出高精度和可靠性,可能有助于临床医生在早期和精确的诊断.
- 这种方法有望通过及时准确地检测皮肤癌来改善患者的治疗结果.
