一个强大的基于YOLOv8的框架,用于实时黑色素瘤检测和细分,使用多数据集训练
1Department of Information Technology, College of Computer, Qassim University, Buraydah 51452, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
这项研究引入了YOLOv8深度学习模型,用于准确检测和细分黑色素瘤,提高皮肤癌的诊断速度和效率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 黑色素瘤的诊断依赖于主观的解释,导致错误.
- 准确及时诊断对于改善黑色素瘤患者的生存率至关重要.
- 现有的诊断方法缺乏一致性和效率.
研究的目的:
- 为实时黑色素瘤检测和细分开发一个强大的深度学习框架.
- 提高黑色素瘤检测模型在各种临床条件的普遍性.
- 提高黑色素瘤识别的诊断准确性和计算效率.
主要方法:
- 利用基于YOLOv8的深度学习框架进行统一的检测和细分.
- 使用ISIC 2020,HAM10000和PH2数据集采用多数据集培训策略.
- 应用了自适应对比增强,人工物去除,CutMix和马赛克增强.
主要成果:
- 实现了最先进的性能,98.6%mAP@0.5,0.92子系数和0.88 IoU.
- 超过了U-Net,DeepLabV3+,Mask R-CNN,SwinUNet和SAM等传统模型的性能.
- 实时推断速度为每张图像12.5毫秒.
结论:
- YOLOv8框架为黑色素瘤诊断提供了高准确性和效率.
- 多数据集培训对于稳健的模型概括至关重要.
- 整合可解释的人工智能可以增强临床信任和解释性.
