使用转移学习方法调查皮肤癌图像的二进制和多类分类性能.
1Department of Statistics, Giresun University Faculty of Arts and Sciences, Giresun, Türkiye.
概括
转移学习模型显著提高了皮肤癌分类准确度. 视觉几何组16 (VGG16) 模型,通过预处理和超参数调来增强,在二进制和多类任务中实现了最高的性能.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 皮肤癌的分类是一个关键的诊断挑战.
- 转移学习为提高诊断准确度提供了一个有希望的方法.
- 优化预处理和超参数调整对于深度学习模型性能至关重要.
研究的目的:
- 评估转移学习模型对皮肤癌症分类的有效性.
- 为了比较不同的学习架构及其性能.
- 研究预处理技术和超参数调节对模型准确性的影响.
主要方法:
- 使用国际皮肤成像协作 (ISIC) 数据集进行二进制和多类分类任务.
- 应用了预处理技术,包括DullRazor,基因图平衡和马校正.
- 采用数据增强,早期停止和学习率降低进行优化.
主要成果:
- 视觉几何组16 (VGG16) 模型在超参数调整后实现了最高的精度 (0.9017为二进制,0.9292为多类).
- ResNet50和DenseNet121也表现出强的表现,证明了优化的价值.
- 预处理和超参数调整极大地提高了模型的准确性.
结论:
- 转移学习模型,当与预处理和调相结合时,对于皮肤癌分类非常有效.
- VGG16模型显示了将其集成到皮肤镜系统中的巨大潜力.
- 进一步的研究应侧重于各种数据集和精细的预处理方法.

