相关实验视频
Updated: Jun 3, 2025
08:49
A 3D Organotypic Melanoma Spheroid Skin Model
Published on: May 18, 2018
15.6K
针对黑色素瘤检测的深度学习:一种深度学习方法来区分恶性黑色素瘤与良性黑色素细胞瘤
Magdalini Kreouzi1, Nikolaos Theodorakis2,3,4,5, Georgios Feretzakis5
1Department of Internal Medicine & 65+ Clinic, Amalia Fleming General Hospital, 14, 25th Martiou Str., 15127 Melissia, Greece.
Cancers
|January 11, 2025
概括
这项研究比较了四个卷积神经网络 (CNN) 模型用于黑色素瘤检测. DenseNet121显示出最佳的诊断性能,而MobileNetV2为移动应用提供了最有效的解决方案.
科学领域:
- 皮肤病学和人工智能的人工智能
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
背景情况:
- 黑色素瘤是一种具有高死亡率的侵袭性皮肤癌.
- 准确的早期检测至关重要,但由于诊断变异性而具有挑战性.
- 卷积神经网络 (CNN) 显示了自动黑色素瘤检测的潜力.
研究的目的:
- 为了评估和比较四个CNN架构 (DenseNet121,ResNet50V2,NASNetMobile,MobileNetV2) 用于黑色素瘤分类.
- 评估临床和移动应用的诊断性能,效率和模型大小.
主要方法:
- 用8825张皮肤镜像的数据集进行了二进制分类.
- 美国有线电视新闻网的模特在ImageNet上接受了预先培训,并进行了微调.
- 使用准确度,AUC-ROC,推断时间和模型大小来评估性能.
主要成果:
- DenseNet121获得了最高的精度 (92.30%) 和AUC (0.951).
- 在ResNet50V2中,AUC值 (0.957) 是最高的.
- 移动NetV2提供了性能 (92.19%准确度),最小大小 (9.89 MB) 和最快推断 (23.46 ms) 的最佳平衡.
结论:
- 在黑色素瘤检测方面,DenseNet121表现出卓越的诊断性能.
- 移动NetV2对于资源有限的环境是一个高效的选择.
- 在临床和移动环境中,CNN具有改善黑色素瘤检测的巨大潜力.
