多光谱成像和自光光漂白结合在多头神经网络中进行皮肤癌分类
Vilen Jumutc1, Andrey Bondarenko1, Mihails Kovalovs1
1Institute of Applied Computer Systems, Riga Technical University, Riga, Latvia.
Frontiers in medicine
|February 26, 2026
概括
多头神经网络通过使用专门的损失函数来改善高光谱皮肤癌的分类. 这种方法提高了从皮肤病变图像中检测黑色素瘤的准确性和精确回忆性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 皮肤癌的高光谱图像分类是具有挑战性的,因为数据的高维度.
- 黑色素瘤和非黑色素瘤组织之间的微妙差异使准确的检测变得复杂.
研究的目的:
- 调查多目标,多头神经网络架构用于超谱黑色素瘤分类.
- 提高皮肤癌检测的准确性和精确回忆性能.
主要方法:
- 使用专有多光谱数据集与自光光漂白数据.
- 实现了一个多头神经网络,每个头部都使用了不同的损失函数.
- 从多个头部通过简单的平均值进行最终分类的聚合输出.
主要成果:
- 与单头模型相比,在分类准确性和稳定性方面取得了显著的改进.
- 在专有和ISIC数据集上采用多头,多损失方法,表现出卓越的性能.
- 精度回忆曲线下的获得面积 (AUC-PR) 分数为0.850 ± 0.032和0.822 ± 0.022.
结论:
- 具有专门损失功能的多头架构有效地增强了超谱图像分类.
- 这种方法有望提高皮肤癌检测准确度.
- 这些发现为未来的皮肤病学研究和临床应用提供了有价值的方向.


