皮肤癌检测使用转移学习和深度注意力机制

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 皮肤病学 皮肤病学

背景情况:

• 准确的皮肤癌诊断对于生存至关重要,但由于类似的病变色素化而具有挑战性.
• 深度学习和转移学习显示了皮肤癌图像分析的前景.
• 注意力机制提高了医学图像分类中的深度学习准确性.

研究的目的:

• 调查注意力机制 (AMs) 对Xception转移学习模型对皮肤病变二元分类的影响.
• 为了评估与Xception模型集成的自我注意力,硬注意力和软注意力的表现.
• 将增强型Xception模型的性能与用于皮肤癌检测的标准Xception模型进行比较.

主要方法:

• 使用HAM10000数据集进行了四项实验.
• 三种模型与Xception架构集成了自我注意力,硬注意力和软注意力机制.
• 一个基线模型使用了标准的Xception没有注意力机制进行比较.

主要成果:

• 标准的Xception模型实现了91.05%的准确性.
• 整合注意力机制提高了准确性:自我注意 (94.11%),软注意 (93.29%) 和硬注意 (92.97%).
• 与之前的研究相比,拟议的模型显示出更高的回忆指标.

结论:

• 注意力机制提高了Xception模型用于皮肤病变分类的性能.
• 这些发现表明,在医学成像中,早期诊断和改善治疗结果的可能性很大.
• 对AM的进一步研究可以推进人工智能驱动的皮肤病诊断.