使用MedFusionNet的自动皮肤癌检测,并基于ConvNeXt和视觉变压器的注意力融合
Muhammad Ahtsam Naeem1, Shangming Yang1, Muhammad Asim Saleem2
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Scientific reports
|December 12, 2025
概括
一个新的深度学习模型,MedFusionNet,通过皮肤镜图像准确地分类皮肤癌. 这种先进的卷积神经网络 (CNN) 和视觉变压器 (ViT) 融合改进了早期诊断和计算机辅助检测系统.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌,特别是黑色素瘤的发病率越来越高,需要改进的诊断工具.
- 早期和准确的诊断对于有效的皮肤癌治疗和患者的治疗结果至关重要.
- 卷积神经网络 (CNN) 已经增强了皮肤镜像分析,用于皮肤病变的分类.
研究的目的:
- 介绍MedFusionNet,这是一种用于多类皮肤癌分类的新型深度学习模型.
- 为了利用基于注意力的自适应方法来实现先进的功能融合,将ConvNeXt和视觉转换器 (ViT) 架构结合起来.
- 评估MedFusionNet在基准皮肤镜数据集上的表现,解决阶级不平衡的挑战.
主要方法:
- 开发了MedFusionNet,集成ConvNeXt和ViT,以适应性关注功能融合.
- 在ISIC-2019和HAM10000皮肤镜数据集上评估模型.
- 我们将MedFusionNet与已建立的深度学习模型进行比较,例如ResNet50,MobileNet V2,DenseNet121和ViT-B16.
主要成果:
- MedFusionNet实现了很高的分类准确度:HAM10000上的98.80%和ISIC-2019上的97.90%.
- 该模型与现有的深度学习算法相比,表现出更高的性能.
- 格拉德-CAM可视化表明该模型的重点是临床相关的损伤区域.
结论:
- MedFusionNet有效地处理皮肤成像中的多类分类任务.
- 该模型显示了真实世界皮肤癌计算机辅助诊断系统的巨大潜力.
- 拟议的架构提供了一个强大的解决方案,以提高皮肤镜检查的诊断准确性.
