对于皮肤癌检测的最小来源和轻量级联合转移学习模型
Vikas Khullar1, Prabhjot Kaur1, Shubham Gargrish1
1Chitkara University Institute of Engineering Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|January 21, 2025
概括
这项研究引入了一种轻量级的联合转移学习方法,用于准确的皮肤癌分类,即使使用低像素图像和非相同的数据分布. 开发的技术实现了高精度,提高了在资源有限的环境中的诊断能力.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 皮肤癌的诊断存在挑战,因为神经瘤和黑色素瘤病变之间的相似性,导致潜在的假阴性.
- 准确有效地对皮肤癌进行分类对于患者的治疗结果至关重要.
- 医疗保健机构的资源限制需要轻量级的诊断模型.
研究的目的:
- 开发和提出使用最小资源的高精度皮肤癌分类技术.
- 为了提高诊断准确性,利用轻量级的联合转移学习模型.
- 评估这些模型在低像素和非相同分布的数据集上的性能.
主要方法:
- 在皮肤损伤图像上使用预训练的深度学习模型 (EfficientNetV2S,EfficientNetB3,ResNet50,NasNetMobile) 应用转移学习.
- 最有效的最小资源模型,EfficientNetV2S,被选为联合学习.
- 联合学习是使用相同 (IID) 和非相同 (Non-IID) 分布的低像素图像数据集实现的.
主要成果:
- 皮肤癌的分类在IID数据集中达到89.83%,在非IID数据集中达到90.64%的准确性.
- 分析的重点是准确性,精度,回忆和分类损失,以评估模型性能.
- 这项研究证明了轻量级模型在皮肤癌检测的联合学习生态系统中的有效性.
结论:
- 轻量级的联合转移学习模型,特别是具有低像素图像的EfficientNetV2S,为准确的皮肤癌分类提供了可行的解决方案.
- 拟议的技术显示了在资源有限的环境中改善诊断准确性的前景.
- 联合学习有效地处理非相同的数据分布,这对现实世界医疗保健应用至关重要.
