通过双编码器深度学习模型对皮肤癌细分的精度和效率
Asaad Ahmed1, Guangmin Sun1, Anas Bilal2
1School of Information Science and Technology, Beijing University of Technology, Beijing, 100124, China.
Scientific reports
|February 9, 2025
概括
本研究介绍了双皮肤细分 (DuaSkinSeg),这是一种用于精确细分皮肤病变的深度学习模型. DuaSkinSeg通过结合高效的局部和强大的远程特征提取来提高诊断准确度,以更好地检测皮肤癌.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 皮肤癌是全球重要的健康问题.
- 精确的皮肤病变细分对于早期诊断和有效的治疗计划至关重要.
- 当前的细分方法往往难以平衡计算效率与全面的特征提取.
研究的目的:
- 介绍DuaSkinSeg,一种新的深度学习模型,旨在改善皮肤病变细分.
- 通过提高效率和特征提取能力来解决现有方法的局限性.
- 为了利用双编码器架构,在细分皮肤病变方面提供卓越的性能.
主要方法:
- 开发了DuaSkinSeg,这是一个采用双编码器架构的深度学习模型.
- 使用预训练的MobileNetV2进行高效的本地特征提取.
- 采用视觉转换器-卷积神经网络 (ViT-CNN) 编码解码器用于高级特征提取和远程依赖分析.
主要成果:
- 在三个基准数据集 (ISIC 2016,2017,2018) 中,DuaSkinSeg表现出了竞争性表现.
- 双编码器方法有效地结合了本地和全球特征提取,以提高细分精度.
- 在皮肤病变细分方面取得了与现有最先进的方法相比或优于现有的结果.
结论:
- 提出的DuaSkinSeg模型为准确和高效的皮肤病变细分提供了一个有希望的解决方案.
- 双编码器策略是改善医疗图像分析中的深度学习模型的可行方法.
- DuaSkinSeg有可能有助于早期和准确的皮肤癌诊断.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
