通过数据集融合构建更好的深度学习模型:用超级数据集对皮肤癌症分类进行案例研究

科学领域:

• 计算机科学 计算机科学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 大型,多样化的图像数据集对于强大的机器学习模型培训至关重要.
• 管理和合成大规模数据集对研究人员来说是一个重大挑战.

研究的目的:

• 引入数据合并应用程序,以简化创建大规模,多样化的图像数据集.
• 评估合并数据集对皮肤癌分类模型性能的影响.

主要方法:

• 开发了一个数据合并应用程序,以识别共同的类,并结合不同的图像数据集.
• 基于基准的卷积神经网络 (CNN) 模型 (VGG16,ResNet50,MobileNetV3-小,DenseNet-161) 和视觉变压器 (ViT) 用于皮肤癌分类.
• 对比单个数据集的模型性能与数据合并应用程序生成的增强超级数据集.

主要成果:

• 增强的超级数据集显著提高了从零开始的培训和转移学习的分类模型准确性.
• 视觉变压器 (ViT) 模型实现了比CNN更高的准确性,特别是在有限的类 (99个类的91.87%) 和超级数据集 (32个类的58%).

结论:

• 数据组合对于增强模型概括性和提高研究成果质量至关重要.
• 数据合并应用程序是数据科学家和处理复杂数据集的研究人员的宝贵工具.