机构名称：
¥ 1.0
黑色素瘤是皮肤癌最具侵略性的类型之一，其早期发现对于改善患者的存活率和治疗结果至关重要。常规的诊断方法通常遭受高计算成本和较低的精度，这主要是由于特征选择和分类策略不足。这项研究的目的是将最先进的深度学习技术与优化算法相结合，以开发出一种精确有效的预测系统以进行黑素瘤检测。在这项工作中，我们提出了一个新颖的框架，该框架集成了用于图像分类的卷积神经网络（CNN）和用于特征选择的二进制灰狼优化（GWO）算法。二进制GWO算法确定了皮肤病学图像中最相关的特征，从而消除了冗余并减轻了计算负担。然后对CNN进行精制特征子集的训练，以提高分类效率。公开可用的皮肤病变数据集的广泛实验表明，所提出的模型显着优于传统的机器学习模型。敏感性，特异性和整体分类精度的提高突出了将深度学习与优化技术相结合的有效性。我们的结果表明，深度学习和优化方法（例如二进制GWO算法）可以成功应用于黑色素瘤诊断。该策略不仅提高了检测效率和准确性，而且还支持早期诊断和治疗计划，从而提高患者的结果。通过利用二进制GWO算法来优化特征选择过程和用于图像分类的CNN，建议的方法可以降低计算成本，同时提高分类精度。与传统机器学习模型相比，该模型在公开可用的皮肤病变数据集进行了培训和评估时，表现出敏感性，特异性和整体准确性的显着提高。
使用深度学习方法的黑色素瘤皮肤癌检测
主要关键词
相关文件推荐
