使用AGS网络进行皮肤癌分类的增强方法
Hwanyoung Lee1, Seeun Cho2, Jiyoon Song2
1Department of Computer Science and Information Engineering, The Catholic University of Korea, Bucheon 14662, Republic of Korea.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
本研究介绍了AGS网络,以改善皮肤癌分类,特别是有限的数据. 集成的增强,GAN和细分 (AGS) 网络增强了人工智能模型的性能,以实现更准确的诊断.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 皮肤癌是全球普遍存在的健康问题,诊断往往因亚型之间的视觉相似性而受到阻碍.
- 皮肤病学家对皮肤癌的诊断准确度在62%至80%之间,这凸显了需要改进工具的需要.
- 训练人工智能模型进行皮肤癌分类需要广泛的医学图像数据集,这些数据很难获得.
研究的目的:
- 提出AGS网络,一个综合框架,结合了增强,GAN和细分模块.
- 利用人工智能提高皮肤癌分类的性能,特别是在数据有限的场景中.
- 评估AGS网络在多个深度学习分类器中的有效性.
主要方法:
- 开发了AGS网络,集成了增强 (A),生成对抗网络 (G) 和细分 (S) 模块.
- 八个深度学习分类器 (GoogLeNet,DenseNet201,ResNet50,MobileNet V3,EfficientNet B0,ViT,EfficientNet V2,Swin Transformers) 被评估. 这些分类器中,我们使用的是深度学习分类器.
- 评估使用了HAM10000数据集,测试了五种模型配置,以评估模块贡献.
主要成果:
- 所有八个分类器在与AGS网络集成时都显示出一致的性能改进.
- EfficientNet V2 + AGS表现出最大的收益,精度为+0.1808和F1-Score为+0.1674相比基线模型.
- ResNet50+AGS实现了最高的整体性能,达到95.87%的精度和95.73%的F1-Score.
结论:
- AGS网络有效地解决了皮肤癌分类中小型数据集的挑战.
- 在一个集成的框架内结合多种增强技术,可以显著提高AI分类器的性能.
- 这项研究验证了AGS网络作为提高皮肤癌诊断准确性的强大工具.
