一种新的混合功能融合方法,使用手工制作的功能与转移学习模型来增强皮肤癌分类

科学领域:

• 皮肤病学和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 皮肤癌是全球日益严重和致命的疾病.
• 对可疑皮肤病变的准确及及时诊断对于有效治疗和患者康复至关重要.
• 皮肤科医生的传统视觉检查可能具有挑战性,需要先进的诊断工具.

研究的目的:

• 开发和评估一种新的混合特征提取和深度学习模型,用于从皮肤镜图像中增强皮肤癌症预测.
• 调查来自灰色级共发生矩阵 (GLCM),冗余离散波段变换 (RDWT) 和预训练模型 (如DenseNet121.1) 的融合特征的有效性.
• 为了比较各种分类器的性能,当应用于皮肤病变分析的融合特征集时.

主要方法:

• 来自ISIC等数据集的皮肤镜像进行了预处理.
• 使用GLCM,RDWT和DenseNet121.1.进行了混合特征提取.
• 功能被融合并使用多个分类器进行分析,包括XGBoost和ensemble方法.
• 模型性能是根据分类准确性来评估的.

主要成果:

• 拟议的功能融合模型,集成GLCM,RDWT和DenseNet121功能,优于其他模型.
• 使用XGBoost分类器实现了93.46%的准确性.
• 使用集成分类器获得了94.25%的令人印象深刻的准确性.
• 这项研究证明了结合多种特征提取技术的有效性.

结论:

• 整合多种特征提取技术显著提高了皮肤癌诊断的可靠性和有效性.
• 开发的混合深度学习模型对早期和准确检测皮肤癌非常有前途.
• 这种方法提供了一个有价值的工具,以帮助皮肤科医生更有效地识别恶性皮肤病变.