一个集成的深度学习框架,使用自适应增强视觉融合和修改的移动网络架构来精确分类皮肤疾病,提高诊断性能
Ahsan Bilal Tariq1, Muhammad Zaheer Sajid1, Nauman Ali Khan1
1Department of Computer Software Engineering, Military College of Signals, National University of Sciences and Technology, Islamabad, Pakistan.
SLAS technology
|July 18, 2025
概括
这项研究介绍了Dermo-Transfer,一种新的深度学习模型,尽管存在图像挑战,但它可以准确地分类皮肤疾病. 它显著提高了各种皮肤疾病的诊断准确性,优于现有的方法.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 机器学习和用于皮肤疾病评估的深度学习面临着来自照明变化,噪音和视觉扭曲的挑战.
- 传统方法往往无法解决这些问题,导致不准确的预测和皮肤疾病分类的表现不佳.
研究的目的:
- 为了提高在具有挑战性的图像条件下皮肤疾病分类的诊断准确度.
- 开发一个强大的深度学习架构,Dermo-Transfer,能够处理图像质量变化并提高分类性能.
主要方法:
- 拟议的皮肤传输架构结合了移动网络,密集块和剩余连接.
- 集成的图像处理技术:多尺度的Retinex,马校正和直方图平衡.
- 使用量子支向量机 (QSVM) 分类器来改进多类分类和信心分数.
主要成果:
- 在四个数据集中,Dermo-Transfer实现了高分类准确率:99%,98.5%,97.5%和89%.
- 与SkinLesNet和MobileNet V2-LSTM相比,该模型表现出卓越的性能.
- 成功处理不同的图像质量和照明条件,改善图案识别.
结论:
- 皮肤转移为皮肤疾病分类提供了强大而准确的解决方案,其性能优于现有的模型.
- 该架构有效地解决了诸如消失梯度和过拟合等挑战.
- 物联网设备和移动应用程序可以促进Dermo-Transfer用于临床诊断的实际部署和计算效率.
