使用深度神经网络进行皮肤病变分析的双阶段细分和分类框架.
Khadija Manzoor1, Nauman U Gilal2, Marco Agus1
1College of Science and Engineering, Hamad Bin Khalifa University, Doha, Qatar.
Digital health
|July 16, 2025
概括
这项研究引入了一个双阶段的深度学习框架,用于准确的皮肤病变细分和分类. 该模型在各种数据集上显示出高性能,有助于早期发现皮肤疾病和远程皮肤病学.
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:
- 皮肤疾病构成了全球健康负担,影响身体和心理社会福祉.
- 早期准确检测皮肤病变,特别是恶性病变,对于有效治疗和患者的治疗结果至关重要.
- 皮肤病变分析的挑战包括数据不平衡,病变外观的变化和图像对比度低.
研究的目的:
- 开发和评估一个双阶段的深度学习框架,用于精确的皮肤病变细分和分类.
- 在自动化皮肤疾病检测中解决不平衡数据集和病变变化的挑战.
- 评估框架在基准数据集和新型,临床现实的数据集上的表现.
主要方法:
- 使用VGG16编码器的U-Net模型用于精确地细分皮肤病变的实例.
- 使用EfficientFormer和SwiftFormer网络进行病变分类,在平衡和不平衡数据上进行测试.
- 在HAM10000,ISIC 2018和ISIC 2024 SLICE-3D数据集上进行了实验,包括后者的融合方法.
主要成果:
- 在平衡的HAM10000数据集上,EfficientFormerV2模型实现了97.11%的准确性和97.14%的F1得分.
- 该细分模型在ISIC 2018上表现出高性能,准确度为97.59%,子相似度为94.24%.
- 在ISIC 2024 SLICE-3D数据集中,图像+表格融合获得了竞争性得分,突出显示了不平衡,现实的设置中的性能.
结论:
- 双阶段深度学习框架在皮肤病变细分和分类方面表现出高准确性和稳定性.
- 该框架能够适应像SLICE-3D这样的大规模非皮肤镜数据的适应性,表明其对现实世界的应用的潜力.
- 这种方法对改善皮肤癌选和远程皮肤病学服务充满希望.


