优化辅助分类器 瓦斯斯坦生成对抗网络 通过皮肤镜图像促进皮肤癌分类

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 自动化皮肤癌诊断对于早期检测和改善患者治疗结果至关重要.
• 皮肤病变的视觉检查是具有挑战性的,因为不同类型的病变之间存在相似之处.
• 现有的自动化方法往往缺乏对准确分类的优化.

研究的目的:

• 提出一个优化的辅助分类器瓦斯斯坦生成对抗网络皮肤癌分类从皮肤镜图像 (OAC-WGAN-SCC-DI).
• 通过使用深度学习和优化算法提高皮肤癌分类的准确性和效率.
• 将拟议方法的性能与现有的皮肤癌检测技术进行比较.

主要方法:

• 利用皮肤损伤图像的数据集进行黑色素瘤分类.
• 应用了动态上下文敏感过器,以减少图像噪声和提高质量.
• 根据兴趣区域 (ROI) 的细分,使用经典的语义细分.
• 从细分的ROI中提取了放射性特征 (灰度统计,Haralick纹理).
• 实施了辅助分类器瓦斯斯坦生成对抗网络 (ACWGAN) 进行分类.
• 使用人工蜂鸟优化算法 (AHOA) 为精确的皮肤癌分类优化了ACWGAN.

主要成果:

• 该OAC-WGAN-SCC-DI实现了卓越的性能指标,包括更高的特异性,ROC和马修的相关系数 (MCC).
• 与基于卷积神经网络 (CNN) 的方法相比,显著降低了计算时间.
• 在关键绩效指标上表现优于DCNN-SCC-DI,CNN-TL-SCC-DI和SVM-SCC-DI等现有方法.

结论:

• 拟议的OAC-WGAN-SCC-DI方法为从皮肤镜像中自动分类皮肤癌提供了强大而高效的解决方案.
• 为ACWGAN优化集成AHOA显著提高了分类准确性,并减少了处理时间.
• 这种先进的深度学习方法有望改善临床环境中的早期皮肤癌检测.