一个模糊的基于等级的深层组合方法,用于多类皮肤癌分类
Arindam Halder1, Anogh Dalal1, Sanghita Gharami1
1Department of Information Technology, Jadavpur University, Jadavpur University Salt Lake Campus, Plot No. 8, Salt Lake Bypass, LB Block, Sector III, Salt Lake City, Kolkata, 700106, West Bengal, India.
Scientific reports
|February 20, 2025
概括
这项研究开发了一个有效的皮肤癌检测模型,在HAM10000数据集上使用深度学习和模糊逻辑. 该方法实现了95.14%的准确性,证明了早期皮肤癌识别的潜力.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
背景情况:
- 皮肤癌是一个重大的全球健康问题,被世界卫生组织 (WHO) 确定为主要的死亡原因.
- 早期发现皮肤癌对于有效治疗和改善患者的治疗结果至关重要.
研究的目的:
- 使用深度学习技术开发和评估一个准确的皮肤癌分类模型.
- 评估模型在临床适用性基准数据集上的表现.
主要方法:
- 利用HAM10000数据集,涉及图像增强用于数据集平衡,预处理,并将其分为训练,测试和验证集.
- 训练了个别的深度学习模型 (Xception,InceptionResNetV2,MobileNetV2) 并使用模糊逻辑将其预测结合起来进行最终分类.
- 使用诸如分类准确度和混矩阵等指标评估模型性能.
主要成果:
- 在HAM10000数据集上获得了95.14%的令人印象深刻的分类准确度.
- 在DermaMNIST数据集上成功验证了模型,超过了基准准确率 (78.25%与76.8%相比).
结论:
- 开发的整体模型在分类皮肤癌病变方面表现出高效率和准确性.
- 该模型显示了将其集成到早期皮肤癌诊断的临床应用中的巨大潜力.


