使用机器学习进行增强皮肤癌分类的超光谱成像
Teng-Li Lin1, Arvind Mukundan2,3, Riya Karmakar2
1Department of Dermatology, Dalin Tzu Chi Hospital, No. 2, Min-Sheng Rd., Dalin Town, Chiayi 62247, Taiwan.
Bioengineering (Basel, Switzerland)
|July 29, 2025
概括
一个新的频谱辅助视觉增强器 (SAVE) 系统通过将RGB图像转换为窄带图像来改善皮肤癌的分类. 这增强了可视化,帮助皮肤科医生准确区分行为性角质瘤 (AK),基底细胞癌 (BCC) 和状细胞癌 (SK).
科学领域:
- 皮肤病学和医学成像学
- 计算病理学计算病理学
- 医疗保健中的机器学习
背景情况:
- 精确的皮肤癌的分类,如行动性角质瘤 (AK),基底细胞癌 (BCC) 和状细胞癌 (SK),对于有效的治疗至关重要.
- 这些疾病的临床区分是具有挑战性的,因为它们表现相似,往往导致误诊.
- 传统的RGB成像可能缺乏足够的对比度来区分皮肤病变中的微妙差异.
研究的目的:
- 引入光谱辅助视觉增强器 (SAVE) 系统,以使用高光谱成像 (HSI) 改善皮肤病变的可视化.
- 评估SAVE在提高AK,BCC和SK分类准确性的有效性.
- 为了比较SAVE与传统的RGB成像用于皮肤癌诊断的性能.
主要方法:
- 开发光谱辅助视觉增强器 (SAVE) 系统,该系统使用HSI将RGB图像转换为窄带图像 (NBI).
- 应用十种机器学习算法 (CNN,RF,YOLOv8,SVM变体,ResNet50,MobileNetV2,物流回归) 来进行病变分类.
- 基于增强的图像对比度,评估系统区分AK,BCC和SK的能力.
主要成果:
- SAVE系统显著提高了癌症病变与正常组织的对比度.
- 与传统的RGB成像相比,分类性能,包括精度,灵敏度和特异性得到了改进.
- 机器学习算法在使用SAVE处理图像时,在区分AK与BCC和SK方面表现出更高的能力.
结论:
- 使用HSI的SAVE系统为皮肤科医生提供了一种宝贵的工具,用于早期和准确地诊断皮肤癌.
- 这种先进的成像方法减少了错误分类的可能性,从而改善了患者管理和结果.
- 在临床环境中,SAVE为客观和精确的皮肤病变分析提供了一个有前途的方法.
