黑色素瘤皮肤分类使用混合方法 剩余网络视觉变压器用于癌症诊断
Alousseyni Toure1, Ismael Adji Haman1, Samir Benbakreti1
1Department of Specialty, National High School of Telecommunication and ICT, Oran, Algeria.
Journal of clinical ultrasound : JCU
|May 2, 2025
概括
这项研究引入了一种混合ResNet50-Vision Transformer模型,用于改进皮肤黑色素瘤分类. 这种深度学习方法实现了95.53%的准确率,为早期癌症检测提供了有价值的工具.
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:
- 深度神经网络 (DNN) 实现了先进的图像和视频分析,用于诊断各种病理,帮助医生治疗皮肤癌等疾病.
- 计算机辅助诊断 (CAD) 系统利用DNN处理医疗数据,为疾病查和诊断提供关键的见解.
研究的目的:
- 评估卷积神经网络 (CNN),预训练模型和视觉转换器 (ViT) 架构对皮肤黑色素瘤分类的有效性.
- 开发和评估混合深度学习架构,以提高黑色素瘤诊断的准确性.
主要方法:
- 这项研究探讨了经典的CNN,包括Inception V3,ResNet 50,AlexNet和EfficientNet,以及Vision Transformer模型.
- 通过将预训练的ResNet50模型与视觉变压器 (ViT) 结合起来,开发了一个混合架构.
- 进行了超参数调整,以优化开发的深度学习模型的性能.
主要成果:
- 混合式ResNet50-ViT架构与单个模型相比,表现出优越的性能.
- 组合模型利用了ResNet50和ViT的优势,从而提高了分类准确性.
- 最终的混合ResNet50-ViT模型在数据集上实现了95.53%的优异分类率.
结论:
- 开发的混合ResNet50-ViT框架为黑色素瘤诊断提供了一个强大而准确的工具.
- 这项研究旨在通过为皮肤癌查提供强大的AI驱动解决方案来支持临床医生.
- 这些发现突显了混合深度学习模型在推进医疗诊断能力方面的潜力.


