深度学习模型用于脱毛工件和Mopox皮肤病变分析和检测
Edeh Michael Onyema1,2, B Gunapriya3, Balasubramanian Prabhu Kavin4
1Department of Science Education, Faculty of Education, Alex Ekwueme Federal University, Ndufu-Alike, Abakaliki, Nigeria.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种新的深度学习方法,通过从图像中去除毛发并使用升级的U-Net模型来改善Mpox检测. 这种方法提高了早期Mpox识别的诊断准确性.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的Mpox诊断对于有效的治疗至关重要.
- 传统的图像分析面临着挑战,因为身体的毛发掩盖了皮肤病变.
研究的目的:
- 开发一种深度学习方法,用于增强Mpox检测.
- 为了克服皮肤镜图像中头发阻塞的局限性.
主要方法:
- 创建了Mpox皮肤损伤数据集 (MSLD),其中包含Mpox,水和麻疹的图像.
- 实施了皮肤镜图像的脱毛预处理步骤.
- 利用升级的U-Net模型进行病变细分和分类.
主要成果:
- 拟议的方法实现了90%的准确性,89%的回忆率和86%的Mopox检测F1得分.
- 与现有模型相比,Mpox检测准确度大大提高.
- 脱毛后皮肤病变的可见性提高.
结论:
- 新的深度学习方法有效地提高了Mpox检测准确度.
- 为早期Mopox诊断和临床管理提供了宝贵的工具.
- 在皮肤学图像分析中解决了头发阻塞的挑战.
