SADASNet:一个选择性和自适应性的深层架构搜索网络,具有超参数优化,用于强大的皮肤癌分类

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:

• 皮肤癌是一个重要的公共卫生问题,需要早期诊断和有效治疗.
• 深度学习和计算机视觉显示了改善皮肤癌诊断准确性的前景.
• 在优化深度学习架构以实现皮肤癌检测的高精度和低计算复杂度方面存在差距.

研究的目的:

• 开发新的深度学习架构,使用元启发式优化对多类皮肤癌症进行分类.
• 解决皮肤癌诊断中高精度和降低计算复杂性的需求.
• 通过超参数优化 (SADASNet) 算法引入选择性和自适应性深层架构搜索网络.

主要方法:

• 利用粒子集群优化 (PSO) 开发SADASNet算法用于深度学习架构搜索.
• 在HAM10000数据集中应用创新的数据增强技术,以解决阶级不平衡问题.
• 设计SADASNet以适应各种图像大小,从而产生六种不同的深度学习模型.

主要成果:

• 实现了高性能指标:99.31%的准确性,97.58%的F1分数,97.57%的回忆,97.64%的精度和99.59%的特异性.
• 在准确性和计算复杂性方面,在最先进的方法上表现出卓越的性能.
• 在超参数优化过程中保持了广泛的解决方案空间.

结论:

• 拟议的SADASNet方法有效地提高了皮肤癌分类的准确性.
• 这项研究有助于在医学诊断中推进深度学习应用.
• 这些发现支持改善皮肤癌早期检测和治疗策略.