集成卷积神经网络用于皮肤癌分类,并恢复毛发和噪音
Nidhi Bansal1, Sridhar Sundaramurthy1
1Department of Information Science and Technology, College of Engineering, Guindy, Anna University, Chennai, Tamil Nadu, India.
Turkish journal of medical sciences
|March 19, 2025
概括
这项研究开发了使用卷积神经网络 (CNN) 的综合脱毛 (IHR) 和综合消除噪声 (INR) 方法,以提高皮肤病变分类的准确性. 这些基于CNN的方法有效地删除了文物,与现有方法相比,显著提高了诊断性能.
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:
- 皮肤镜像对于诊断皮肤病变至关重要.
- 像头发和图像中的噪音等人工物可以阻碍准确的自动诊断.
- 这项研究涉及头发和噪音工件对分类器性能的影响.
研究的目的:
- 调查头发和噪音工件对皮肤病变分类准确性的影响.
- 开发和评估去除这些文物以提高诊断性能的方法.
- 建议整合卷积神经网络 (CNN) 用于文物移除和分类.
主要方法:
- 除了HAM10000数据集,还使用了模拟头发和噪音的合成数据集.
- 综合脱毛 (IHR) 使用CNN进行头发染色和分类.
- 综合消除噪声 (INR) 使用CNN进行非局部平均无声化和分类.
主要成果:
- IHR-CNN模型 (IHR-DenseNet121,IHR-ResNet50,IHR-ResNet152) 显示脱毛的精度提高了1.78%2.3%. 在脱毛过程中提高了1.78%2.3%.
- 在INR-CNN模型 (INR-DenseNet121,INR-ResNet50,INR-VGG19) 中,噪声消除的精度提高了1.41%18.4%.
- 拟议的IHR和INR方法显著提高了带有文物图像的分类准确性.
结论:
- 头发和噪音工件显著降低了皮肤病变分类的准确性.
- 基于CNN的IHR和INR方法有效地恢复受影响的像素并提高诊断性能.
- 拟议的物件去除技术优于皮肤镜图像分析的现有方法.
