使用Squeeze-Excitation-DenseNet与Metaheuristic驱动的集体深度学习模型的融合,用于皮肤癌检测和分类的智能框架
J D Dorathi Jayaseeli1, J Briskilal2, C Fancy3
1Department of Computing Technologies, SRM Institute of Science and Technology, Kattankulathur, 603203, India.
Scientific reports
|March 3, 2025
概括
这项研究引入了一种新的深度学习模型,用于从图像中准确检测皮肤癌. DSC-EDLMGWO方法实现了高精度,有助于早期诊断和改善患者的治疗结果.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 皮肤癌是一个全球性的健康问题,导致严重的死亡率和医疗费用.
- 早期检测对于有效治疗和改善患者预后至关重要.
- 传统的诊断方法可能耗时,需要专业的专业知识.
研究的目的:
- 开发一种自动化的深度学习模型,用于准确地检测和分类皮肤癌.
- 通过计算机辅助方法提高皮肤病学分析的效率和有效性.
- 帮助临床医生早期识别皮肤病变,改善患者的健康结果.
主要方法:
- 开发了使用集体深度学习模型和灰狼优化 (DSC-EDLMGWO) 方法检测皮肤癌的建议.
- 图像预处理涉及对比度增强 (CLAHE) 和消除噪声 (维纳波器).
- 使用SE-DenseNet进行特征提取,将Squeeze-and-Excitation模块与DenseNet集成,然后使用LSTM,ELM和SSDA组合进行分类,并通过灰狼优化 (GWO) 进行优化.
主要成果:
- DSC-EDLMGWO模型在基准数据集上实现了卓越的分类性能.
- 实验验证表明HAM10000数据集的高准确率为98.38%,ISIC数据集的高准确率为98.17%.
- GWO算法有效地优化了集体深度学习模型的超参数,提高了整体准确性.
结论:
- DSC-EDLMGWO模型为皮肤癌检测提供了一个高度准确和高效的自动化方法.
- 这种基于深度学习的方法显示出有很大的潜力,可以帮助皮肤科医生在早期诊断和治疗规划中.
- 这项研究强调了集体深度学习和优化算法的有效性,在医学图像分析中用于诸如皮肤癌等关键疾病.
