使用混合深度学习模型进行多皮肤疾病分类

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算机科学 计算机科学

背景情况:

• 早期发现和分类皮肤癌对于改善患者生存率至关重要.
• 计算机辅助诊断 (CAD) 系统,特别是那些利用深度学习 (DL) 的系统,对于协助放射科医生至关重要.
• 现有的方法通常需要有效的皮肤病变细分,以改善分类.

研究的目的:

• 开发一个先进的CAD系统,用于早期和准确的皮肤癌检测和分类.
• 通过使用新的优化技术,提高皮肤病变细分和分类性能.
• 为皮肤科医生提供在诊断皮肤癌方面具有竞争力和有效的工具.

主要方法:

• 预处理涉及使用自适应维纳波器 (AWF) 降低噪声,并通过最大梯度强度 (MGI) 去除毛发.
• 皮肤病变细分使用优化区域生长 (RG) 方法进行,该方法与修改的蜂蜜鱼优化器 (MHBO) 集成.
• 在ISIC数据集上使用深度学习模型MobileSkinNetV2实现了皮肤癌类型的分类.

主要成果:

• 提出的系统在皮肤癌分类方面实现了高准确度 (99.01%) 和精度 (98.6%).
• MHBO与RG的整合显著改善了细分过程.
• 实验结果表明,与现有的皮肤癌检测模型相比,其性能具有竞争力.

结论:

• 开发的CAD系统显示了早期和准确的皮肤癌诊断的巨大潜力.
• 这种新的细分和分类方法为皮肤医学成像分析提供了有前途的进步.
• 这项研究为皮肤科医生在抗击皮肤癌方面提供了宝贵的支持.