皮肤癌细分和皮肤镜像识别:基于改进的DeepLabV3+和网络级融合深层架构的新框架
Mehak Arshad1, Muhammad Attique Khan2, Juan Manuel Górriz3
1Department of Computer Science, HITEC University, Taxila 47080, Pakistan.
Journal of advanced research
|August 28, 2025
概括
这项研究引入了一种用于准确检测皮肤癌的新型深度学习框架,通过增强皮肤病变的细分和分类来改善早期诊断. 人工智能模型在多个数据集上表现出卓越的性能.
科学领域:
- 医学成像
- 人工智能
- 计算病理学
背景情况:
- 皮肤癌的诊断对于降低死亡率至关重要.
- 早期发现皮肤病变可以显著改善患者的治疗结果.
- 现有的AI模型面临着不平衡的数据集和不规则的损伤形状的挑战.
研究的目的:
- 提出一个完全自动化的深度学习框架,用于高效的皮肤病变细分和分类.
- 解决当前AI模型在皮肤癌诊断方面的局限性.
- 提高人工智能驱动的皮肤分析的准确性和有效性.
主要方法:
- 一个新的框架结合了改进的ResNet20-DeepLabV3+进行细分和MAKNet100进行分类.
- 通过分组的卷积层增强了ResNet20架构,以进行详细的特征提取.
- MAKNet100模型使用网络级融合进行强大的分类,并使用GradCAM分析可解释性.
主要成果:
- 该框架在多个数据集中实现了高精度:HAM10000 (90.5%),ISIC-2018 (88.9%),ISIC-2019 (84.5%) 和ISBI-2020 (96.35%).
- 在HAM10000上获得了96.69%,在ISIC-2018上获得了94.63%.
- 该模型在细分和分类任务中显示出更高的准确性和精度.
结论:
- 拟议的深度学习框架显著提高了皮肤病变细分和分类的准确性.
- 废弃的研究和比较证实了该框架的优越性.
- 这项工作为早期皮肤癌检测提供了更高效和有效的AI解决方案.
