机构名称：
¥ 1.0
背景：皮肤癌诊断对皮肤科医生来说是一个挑战，因为其在诊断类别之间具有复杂的视觉差异。卷积神经网络 (CNN)，特别是 Efficient Net B0-B7 系列，在多类皮肤癌分类中表现出了优越性。本研究通过展示专为 Efficient Net 模型设计的定制预处理流程来解决视觉检查的局限性。该研究利用具有预训练 ImageNet 权重的迁移学习，旨在提高不平衡多类分类环境中的诊断准确性。方法：本研究开发了一种专门的图像预处理流程，包括图像缩放、数据集增强和伪影去除，以适应 Efficient Net 模型的细微差别。使用 Efficient Net B0-B7 数据集，迁移学习对具有预训练 ImageNet 权重的 CNN 进行微调。严格的评估采用精确度、召回率、准确度、F1 分数和混淆矩阵等关键指标来评估迁移学习和微调对每个 Efficient Net 变体在对不同皮肤癌类别进行分类时的表现的影响。结果：该研究展示了为 Efficient Net 模型量身定制的预处理流程的有效性。迁移学习和微调显著增强了模型辨别不同皮肤癌类别的能力。对八个 Efficient Net 模型 (B0-B7) 进行皮肤癌分类的评估揭示了不同癌症类别之间的不同性能模式。虽然占多数的类别良性角化病实现了高精度 (>87%)，但在准确分类湿疹类别方面存在挑战。黑色素瘤尽管只占少数 (占图像的 2.42%)，但在所有模型中的平均精度为 80.51%。然而，在预测疣软疣 (90.7%) 和牛皮癣 (84.2%) 实例时，观察到的性能不佳，这凸显了需要有针对性地改进以准确识别特定皮肤癌类型。结论：皮肤癌分类研究利用 EfficientNets B0-B7 和从 ImageNet 权重进行迁移学习。 EfficientNet-B7 的性能达到了巅峰，实现了突破性的 84.4% 的 top-1 准确率和 97.1% 的 top-5 准确率。它非常高效，比领先的 CNN 小 8.4 倍。通过混淆矩阵进行的详细每类分类准确率证实了它的熟练程度，表明 EfficientNets 在精确的皮肤病学图像分析方面具有潜力。
研究文章增强皮肤癌分类...
主要关键词
相关文件推荐
