对皮肤癌分类深度学习和转移学习技术的全面分析
Manishi Shakya1, Ravindra Patel2, Sunil Joshi3
1Department of Computer Application, UIT RGPV, Bhopal, MP, India. manishirgpv@gmail.com.
Scientific reports
|February 7, 2025
概括
这项研究通过使用深度学习模型来分类皮肤病变,提高了黑色素瘤的诊断. 将ResNet-18和MobileNet与SVM相结合,在识别皮肤癌时获得了92.87%的准确性.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 早期和准确的黑色素瘤诊断至关重要,但由于不同的皮肤病变特征而具有挑战性.
- 深度学习为自动化皮肤癌图像分类提供了有希望的解决方案.
- 现有方法需要评估,以提高诊断准确度.
研究的目的:
- 调查和比较深度学习方法来分类皮肤病变的皮肤镜像.
- 确定一种有效的深度学习策略,以区分良性和恶性皮肤癌.
- 评估各种预训练网络和机器学习分类器的性能.
主要方法:
- 评估了三种深度学习策略:微调预训练网络 (VGG19,ResNet18,MobileNet_V2),预训练网络作为具有机器学习分类器的特征提取器 (SVM,DT,Naïve Bayes,KNN) 和组合特征提取.
- 图像预处理包括缩放,消噪和增强,然后使用主动轮方法进行细分.
- 2018年ISIC数据集包括3300张皮肤病图像,用于培训 (80%) 和测试 (20%).
主要成果:
- 使用ResNet-18和MobileNet_V2作为特征提取器的组合方法,连接并输入到支持矢量机 (SVM) 分类器中,产生了最高的准确性.
- 这种混合模型在ISIC 2018数据集上实现了92.87%的最大分类准确度.
- 不同的培训参数,如时代,批量大小和学习率,都为每个方法进行了优化.
结论:
- 将深度学习特征提取 (ResNet-18,MobileNet_V2) 与SVM分类相结合,为黑色素瘤检测提供了一种高度有效的方法.
- 开发的方法显示了提高早期皮肤癌诊断的准确性和效率的巨大潜力.
- 进一步的研究可以探索组合方法和先进的架构,以获得更高的诊断精度.
