修改后的EfficientNet-B0架构通过量子行为算法进行了优化,用于皮肤癌损伤评估.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 皮肤癌是全球普遍存在的疾病,在早期发现时,其生存率显著提高.
• 晚期诊断皮肤癌大大增加了死亡风险,突出了需要准确和高效的检测方法.

研究的目的:

• 开发和验证一个新的深度学习框架,以提高皮肤癌的早期和准确检测.
• 提高诊断准确度,并协助皮肤科医生在临床决策中获得更好的患者结果.

主要方法:

• 开发了一个修改后的EfficientNet-B0架构,该架构包含了移动反向瓶卷积与挤压和激发.
• 该模型使用3x3和5x5内核来实现平衡的特征提取和提高学习能力.
• 在基准皮肤镜像数据集 (HAM10000,ISIC 2019,MSLD v2.0) 上使用量子行为粒子群集优化 (QBPSO) 算法优化了超参数和特征向量.

主要成果:

• 拟议的框架在HAM10000数据集上实现了99.62%的平均准确性 (mAcc),在ISIC2019数据集上达到92.5%.
• 与各种最先进的模型和技术相比,该模型表现出卓越的性能.
• 可靠性和稳定性通过蒙特卡洛模拟得到证实,表明性能强.

结论:

• 开发的框架有效地减少了皮肤癌的诊断错误.
• 它作为一个有价值的工具,以支持皮肤科医生在临床决策,最终导致改善患者的结果.
• 该方法解决了诸如数据不平衡和医学图像分析中的解释性等挑战.