用卷积神经网络识别黑色素瘤皮肤癌,用Aquila优化器减少特征尺寸.
Jalaleddin Mohamed1, Necmi Serkan Tezel1, Javad Rahebi2
1Electrical and Electronics Engineering Department, Karabuk University, 78050 Karabuk, Türkiye.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
这项研究引入了一种新的深度学习和Aquila Optimizer (DL-AO) 框架,用于增强黑色素瘤检测. 该DL-AO系统显著提高了皮肤癌的识别准确性和效率,优于现有的方法.
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:
- 黑色素瘤是一种侵袭性皮肤癌,需要早期检测.
- 目前的检测方法在准确性和效率方面面临挑战.
- 需要新的计算方法来改善黑色素瘤诊断.
研究的目的:
- 开发一种新的黑色素瘤检测分类系统.
- 将卷积神经网络 (CNN) 与Aquila优化器 (AO) 集成.
- 为了提高黑色素瘤的计算效率和诊断准确度.
主要方法:
- 利用CNN从黑色素瘤图像中提取特征.
- 使用Aquila优化器 (AO) 来进行特征尺寸缩小.
- 在ISIC 2019,ISBI 2016和ISBI 2017数据集上评估了混合方法.
主要成果:
- 在数据集中实现了高性能,包括高达98.89%的特异性和98.42%的准确性.
- 与现有技术相比,其表现优越,精度,灵敏度和特异性得到显著改善.
- 报告说,由于AO,计算复杂性减少了高达37.5%,AO.
结论:
- 深度学习-Aquila Optimizer (DL-AO) 框架为黑色素瘤检测提供了一种高效和准确的方法.
- 这种方法适用于资源有限的环境,如移动和边缘计算.
- 将深度学习与元启发优化相结合,可以提高黑色素瘤检测的准确性,稳定性和效率.
