使用混合囊自主检测指甲疾病 CNN:一种用于早期诊断的新型深度学习方法
Gunjan Shandilya1, Sheifali Gupta1, Salil Bharany1
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
BMC medical informatics and decision making
|December 30, 2024
概括
一个新的混合囊卷积神经网络 (CNN) 模型准确地从图像中检测出六种指甲疾病. 这种深度学习方法为早期诊断提供了一个可行的,经济的工具,特别是在服务不足的地区.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 爪子感染可能表明潜在的健康问题,下黑色素瘤是特别严重的,往往是晚诊断.
- 准确和早期发现指甲疾病对于及时的医疗干预和改善患者结果至关重要.
研究的目的:
- 开发和评估新的深度学习算法,以使用医学图像对六种指甲疾病进行自主分类.
- 将基线卷积神经网络 (CNN) 模型与先进的混合囊CNN模型的性能进行比较.
主要方法:
- 开发一个基线CNN模型和一个先进的混合囊CNN模型.
- 在指甲疾病检测数据集上的培训和测试模型,包括广泛的数据增强.
- 在混合囊CNN中利用囊网络和动态路由,以改善空间属性处理和稳定性.
主要成果:
- 混合囊CNN模型实现了卓越的分类准确性:99.40%的训练准确性和99.25%的验证准确性.
- 混合模型展示了高性能指标,以97.35%的精度和96.79%的回忆率超过了基本CNN模型.
- 由于其架构,CNN混合囊显示了对转换的强度提高,并增强了空间特性.
结论:
- 拟议的混合囊CNN模型是指甲疾病的高度可行的,经济的和可访问的诊断工具.
- 这种深度学习方法对早期诊断和改善患者结果具有重大潜力,特别是在资源有限的医疗机构.
