使用深度学习方法检测皮肤癌
Shafiul Haque1,2, Faraz Ahmad3, Vineeta Singh4
1Department of Nursing, College of Nursing and Health Sciences, Jazan University, Jazan, Saudi Arabia.
Cancer biotherapy & radiopharmaceuticals
|March 28, 2025
概括
深度学习 (DL) 方法对皮肤癌检测有前途. 卷积神经网络 (CNN) 提供了高精度,而生成对抗网络 (GAN) 则有助于训练,但数据集的局限性阻碍了概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 皮肤癌是一种流行疾病,发病率越来越高.
- 早期发现皮肤癌对于有效治疗至关重要.
- 传统的诊断方法可能是侵入性的和昂贵的.
研究的目的:
- 审查用于皮肤病变识别和分类的深度学习 (DL) 方法.
- 评估各种DL模型在皮肤癌检测中的性能.
- 确定皮肤病学DL的挑战和未来方向.
主要方法:
- 检查深度学习技术:人工神经网络 (ANN),卷积神经网络 (CNN),k-最近邻居 (KNN) 和生成对抗网络 (GAN).
- 分析特征提取能力,用于皮肤病变的识别.
- 审查现有数据集及其局限性.
主要成果:
- 卷积神经网络 (CNN) 在视觉损伤识别方面表现出最高的准确性.
- 生成对抗性网络 (GAN) 通过模拟图像创建证明了数据增强的有效性.
- 局限性包括皮肤色调变性不足,计算需求高,以及数据集中的病变表示偏差.
结论:
- 多样化,高分辨率的数据集和无监督学习对于开发强大的DL模型至关重要.
- 基于图像的计算检测方面的进步可以减少侵入性手术并扩展查.
- 改进的DL模型承诺在不同人群中有效,经济有效和精确的早期皮肤癌检测.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.6K
