皮肤病变的光成像和使用卷积神经网络的自动诊断

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:

• 深度学习 (DL) 显示了医学诊断的潜力,特别是在使用临床图像检测皮肤癌方面.
• 目前的DL模型实现了近乎专家的性能,但即使有临床信息,也难以区分某些主要的皮肤癌病变.
• 光广场成像为皮肤病变提供了替代的诊断技术.

研究的目的:

• 创建一个用于皮肤病变的光图像的公共数据集.
• 评估使用光图像进行皮肤癌分类的深度学习模型的有效性.
• 将光成像的诊断性能与传统的临床图像进行比较.

主要方法:

• FLUO-SC数据集的开发,包括1563个智能手机获得的大型皮肤病变的光图像.
• 收集的光图像的注释和分析.
• 卷积神经网络 (CNN) 的应用用于使用FLUO-SC数据集进行皮肤病变分类.

主要成果:

• 与基线临床图像相比,光图像在分类主要皮肤病变方面表现出了竞争力.
• 开发的FLUO-SC数据集为AI驱动的皮肤癌诊断研究提供了宝贵的资源.
• 使用光图像的深度学习模型显示了改善皮肤癌歧视的巨大潜力.

结论:

• 光广场成像,当与深度学习和专用数据集相结合时,为皮肤癌诊断提供了一个有前途的方法.
• FLUO-SC数据集和CNN分析突出了光成像的潜力,以提高自动皮肤癌检测的准确性.
• 使用光成像的进一步研究可能会为皮肤科医生带来更有效的工具.