深层卷积神经网络在使用生物医学图像进行癌症瘤检测和分类上的多尺度特征融合
U M Prakash1, S Iniyan1, Ashit Kumar Dutta2
1School of Computing, SRM Institute of Science and Technology, Kaatankulathur, Chennai, 603203, India.
Scientific reports
|January 8, 2025
概括
这项研究引入了一种新的深度学习模型,MFFDCNN-CTDC,用于使用生物医学成像进行准确的皮肤癌检测和分类. 该模型实现了高精度,显著改善了癌症瘤的早期诊断和治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 皮肤癌是一个普遍存在的全球健康问题,需要准确的诊断方法.
- 传统的诊断方法可能是主观的,耗时的.
- 机器学习 (ML) 和深度学习 (DL) 的进展为生物医学图像的自动化分析提供了新的途径.
研究的目的:
- 开发和验证一种新的深度学习模型,用于在生物医学图像中检测和分类癌症瘤.
- 通过先进的图像分析技术,提高皮肤癌诊断的准确性和效率.
主要方法:
- 在癌症瘤检测和分类 (MFFDCNN-CTDC) 模型上开发了深层卷积神经网络的多尺度特征融合模型.
- 图像预处理使用Sobel波器 (SF),其次是Unet3+用于精确的瘤细分.
- 多级特征融合结合了ResNet50和EfficientNet,分类由一个卷积自动编码器 (CAE) 进行,并通过混合式烟花鱼优化算法 (FWWOA) 进行优化.
主要成果:
- 该MFFDCNN-CTDC模型在检测和分类癌症瘤方面表现出卓越的性能.
- 在ISIC 2017和HAM10000数据集的实验验证中,高准确率分别为98.78%和99.02%.
- 拟议的模型在准确性方面超过了现有的技术.
结论:
- 该MFFDCNN-CTDC模型为皮肤癌的检测和分类提供了一个高度准确和有效的方法.
- 这种深度学习框架有可能显著改善皮肤病学的早期诊断和患者结果.
- 多尺度特征融合和先进的优化技术的整合代表了癌症检测自动化医学图像分析的重大进步.
