改善皮肤损伤诊断:一种混合方法,使用局部二进制模式特征的直角组合和集体学习来实现诊断准确性
Nasrin Rahmani1, Hossein Ebrahimnezhad1
1Department of Electrical and Computer Engineering, Sahand University of Technology, Tabriz, Iran.
Journal of medical signals and sensors
|February 25, 2026
概括
机器学习有助于自动化皮肤诊断,用于早期检测皮肤病变. 合并额外的树木实现了97.31%的准确性,改善了皮肤病患者的护理.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 全球财富和医疗保健预期的增加推动了对服务的需求.
- 医疗保健系统面临着压力,需要有效的诊断解决方案.
- 早期的皮肤病变诊断对于有效的治疗和患者的结果至关重要.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于自动化皮肤病变诊断.
- 专注于皮肤病变的早期检测,以改善患者护理.
- 为了分类八种不同类型的皮肤病变.
主要方法:
- 使用高斯混合模型 (GMM) 具有几何特征用于图像工件移除.
- 采用基于混合直角局部二进制模式的颜色描述器来描述病变的特征.
- 应用ReliefF功能选择,以识别关键的诊断特征.
- 评估了多个ML模型,包括决策树,随机森林,k-NN,MLP和组合额外树 (ET).
主要成果:
- 组合额外树木 (ET) 在分类皮肤病变方面表现出卓越的表现.
- 通过ET模型实现了97.31%的高准确率.
- 选择的特征大大有助于准确的分类.
结论:
- 开发的ML方法可以提高皮肤病变的早期诊断.
- 这一进步提高了皮肤病患者护理的质量.
- 自动诊断为不断增加的医疗需求提供了潜在的解决方案.
