在皮肤癌图像中的损伤细分使用通过深度学习网络的融合模型
概括
这项研究通过使用深度学习模型改进病变细分来增强皮肤癌诊断. 融合模型实现了高精度,提高了皮肤癌检测的诊断精度.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 皮肤癌是全球主要的健康问题,需要改进的诊断工具.
- 精确的皮肤病变细分对于精确的皮肤癌分类至关重要.
- 深度学习为癌症检测的医学图像分析提供了有希望的进步.
研究的目的:
- 为准确的皮肤病变细分开发和评估深度学习模型.
- 通过改进图像分析,提高皮肤癌诊断的精度.
- 为此任务比较各种深度学习架构的性能.
主要方法:
- 实施和评估了六种深度学习模型:DeepLabV3+,EfficientNetB7,VGG19,注意力-UNet,MultiRes-UNet和变压器-UNet.
- 从使用平均融合技术的高性能模型 (DeepLabV3+和EfficientNetB7) 的结合预测.
- 在ISIC 2017数据集上训练模型,并在PH2,ISIC 2016和ISIC 2018数据集上验证.
主要成果:
- 拟议的融合模型在多个数据集中实现了高性能.
- 准确度得分达到了95.9% (ISIC 2016),92.8% (ISIC 2018),以及94.5% (PH2).这些都是一次性测试.
- 杰卡德指数和子系数的得分也显示出优越的细分能力.
结论:
- 开发的深度学习模型显著提高了皮肤病变细分的准确性.
- 融合模型的性能与现有的最先进的方法具有竞争力,在某些情况下甚至超过了它们.
- 这种方法有可能提高皮肤癌的临床诊断和管理.
