陪审团FusionNet:一个基于康多塞的陪审团定理的CNN组合,用于从皮肤病变图像中增强麻疹检测
Sohaib Asif1,2,3, Fazal Hadi1,2,3
1Taizhou Key Laboratory of Minimally Invasive Interventional Therapy & Artificial Intelligence, Taizhou Campus of Zhejiang Cancer Hospital (Taizhou Cancer Hospital), Taizhou, 317502 Zhejiang China.
Health information science and systems
|July 7, 2025
概括
陪审团FusionNet通过使用康多塞的陪审团定理将CNN模型融合起来,准确地诊断出麻疹 (Mpox). 这种方法提高了Mpox皮肤病变的诊断准确度,优于现有的方法.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 机器学习在医疗保健中的应用
- 计算生物学和生物信息学
背景情况:
- 准确的 (Mpox) 诊断对于控制疫情和有效治疗至关重要.
- 视觉诊断Mpox皮肤病变是具有挑战性的,因为与水和麻疹相似.
- 有限的数据集和单一的深度学习模型阻碍了准确的Mpox检测.
研究的目的:
- 推出JuryFusionNet,这是一个创新的组合方法,用于准确的Mpox检测.
- 为了利用康多塞的陪审团定理 (CDJT) 融合卷积神经网络 (CNN) 模型.
- 为了提高诊断准确度,同时减少Mpox识别中的计算复杂性.
主要方法:
- 利用了转移学习 (TL),使用了四个基本的CNN模型:DenseNet169,DenseNet201,MobileNet和ResNet50V2.2.
- 集成的挤压和激发 (SE) 块来增强特征地图重新校准和模型融合.
- 应用了康多塞的陪审团定理 (CDJT) 进行整体决策,以合并基本模型的预测.
主要成果:
- 实现了高准确率:在MSID数据集 (四个类别) 上达到91.55%,在MSLD数据集 (Mpox与非Mpox) 上达到100%.
- 评审团FusionNet的表现优于标准CNN模型的1.94-5.19%,而之前的组合方法则优于0.65-2.59%.
- 格拉德-CAM分析证实了SE区块在突出感染地区方面的有效性.
结论:
- 与现有方法相比,JuryFusionNet在Mpox检测方面表现优越.
- 基于CDJT的融合方法提高了准确性,并且在没有meta-learner的情况下降低了计算成本.
- 这项研究提供了一个强大而有效的深度学习框架,用于诊断Mpox皮肤病变.
