相关实验视频
Updated: Sep 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
493
基于转移学习的CNN和视觉转换器组合,用于准确的黑色素瘤诊断和图像检索
1Department of Computer Engineering, Firat University, Elazig 23119, Türkiye.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
一个集体深度学习模型准确地分类黑色素瘤图像,并改善病例检索. 这种自动化系统提高了早期皮肤癌检测的诊断效率和准确性.
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:
- 黑色素瘤是一种侵袭性皮肤癌,需要早期检测才能有效治疗.
- 目前的诊断方法依赖于主观皮肤科医生的专业知识,导致潜在的延迟和变化.
- 需要自动化系统来准确地分类黑色素瘤和检索类似病例.
研究的目的:
- 开发基于转移学习 (TL) 的深度学习 (DL) 框架,用于黑色素瘤图像分类.
- 增强基于内容的图像检索 (CBIR) 系统用于黑色素瘤诊断.
- 提高早期黑色素瘤检测的准确性和效率.
主要方法:
- 使用预训练DL模型 (DenseNet121,InceptionV3,ViT,Xception) 来进行特征提取.
- 采用加权聚变战略的综合特征.
- 在分类和检索任务中采用集体学习方法.
主要成果:
- 拟议的Ensemble模型实现了95.25%的分类准确度.
- 该系统在CBIR任务中获得了0.9538的平均平均精度 (mAP).
- 集体方法在分类和检索方面显著优于单个模型.
结论:
- 基于TL的DL模型有效地自动化了黑色素瘤图像分类,并增强了CBIR系统.
- 集成学习与集成的深度功能提高了诊断的准确性和稳定性.
- 这种方法对临床整合有希望,以提高黑色素瘤检测效率.
