一个使用深度学习策略的高级皮肤病变细分和分类框架
1Department of Computing Technologies, SRM Institute of Science and Technology, SRM Nagar, Kattankulathur, 603203, Tamil Nadu, India.
Scientific reports
|September 30, 2025
概括
这项研究引入了一个自动化的深度学习模型,用于精确的皮肤病变细分和分类,改善早期黑色素瘤诊断. 新的框架提高了恶性和良性皮肤病变的诊断准确度.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 皮肤癌,特别是黑色素瘤,由于其快速进展和诊断复杂性,对健康构成重大威胁.
- 准确分析恶性和良性皮肤病变对于及时和有效的患者治疗至关重要.
- 传统的诊断方法面临挑战,特别是在早期发现黑色素瘤时,需要先进的自动化解决方案.
研究的目的:
- 开发和评估一种新的自动化皮肤病变细分和分类模型,以提高诊断准确度.
- 为了解决早期黑色素瘤诊断中的并发症,特别是那些由于病变内的颜色变化而产生的并发症.
- 通过深度学习技术提高皮肤癌诊断的有效性.
主要方法:
- 应用图像预处理技术来提高收集的皮肤病变图像的质量.
- 基于UNet的自适应层视觉变压器 (AL-VTransUNet) 模型用于图像细分,参数通过基于随机参数的改进银河群集优化 (IRP-GSO) 进行优化.
- 使用多头注意力机制 (DD-MHA) 的扩展密度网用于分类,使用IRP-GSO算法调整变量.
主要成果:
- 拟议的AL-VTransUNet模型证明了皮肤病变的有效细分.
- 用IRP-GSO优化的DD-MHA分类器实现了对皮肤病变的更好的分类准确性.
- 该框架的效率与现有的优化和分类方法进行了验证.
结论:
- 开发的自动化框架为准确的皮肤病变细分和分类提供了一个有希望的方法.
- 这种深度学习模型可以帮助早期和精确诊断皮肤癌,包括黑色素瘤.
- 集成先进的深度学习架构和优化算法增强了皮肤病学的诊断能力.
