使用触角鼠群优化算法的新型皮肤癌检测架构使得DenseNet成为可能

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 皮肤癌是一个重大的全球健康挑战,需要改进的诊断工具.
• 早期和准确的检测对于降低与皮肤癌相关的死亡率和发病率至关重要.
• 当前的诊断方法可能是主观的,耗时的,强调了需要自动化,客观的方法.

研究的目的:

• 开发和评估一种新的深度学习模型,TRSO-DenseNet,用于准确检测皮肤癌.
• 通过使用触点鼠群优化算法进行结构优化来提高DenseNet架构的性能.
• 通过自动化图像分析,提高皮肤癌诊断的准确性和效率.

主要方法:

• 使用线性光滑过器预处理输入图像.
• 使用Mask-RCNN进行皮肤病变细分,然后进行广泛的图像增强.
• 特性提取包括统计,哈拉利克纹理,CNN,局部三角形模式 (LTP),面向梯度的直方图 (HOG) 和局部矢量模式 (LVP) 特性.
• 使用触角鼠群优化 (TRSO) 优化DenseNet架构,这是触角搜索算法 (TSA) 和鼠群优化器 (RSO) 的混合体.

主要成果:

• 在SIIM-ISIC黑色素瘤分类数据集上,TRSO-DenseNet模型实现了94.63%的高精度.
• 该模型表现出卓越的性能,真正比率 (TPR) 为91.51%和真负比率 (TNR) 为92.46%.
• 整合TRSO显著提高了DenseNet模型的结构优化和检测能力.

结论:

• 拟议的TRSO-DenseNet模型为皮肤癌自动检测提供了一个高度准确和有效的解决方案.
• 这种人工智能驱动的方法有可能显著提高早期诊断率和患者的治疗结果.
• 需要进一步的研究和临床验证,以便将这项技术纳入常规皮肤病学实践.