基于迁移学习分析皮肤镜图像的黑色素瘤分类比较分析
图像与视频处理
2023-12-05 v1 计算机视觉与模式识别
摘要
黑色素瘤是一种起源于黑色素细胞的皮肤癌。由于它可以扩散到其他器官，因此比其他类型的皮肤癌更危险。如果黑色素瘤扩散到身体其他部位，可能会致命。早期发现是治愈的关键，但这需要经验丰富的医生进行诊断。本文提出了一种结合深度学习技术与现有迁移学习方法以实现皮肤病变分类和黑色素瘤皮肤病变诊断的系统。本研究使用卷积神经网络 (CNNs) 提出了一种将黑色素瘤图像分类为良性和恶性图像的方法。研究人员使用“深度学习”技术训练了大量图像，并且本质上为了获得预期结果，由于皮肤镜图像非常敏感且极难分类，深度神经网络需要使用大量参数进行训练。本文强调在有限的数据集和相对较浅的网络下构建复杂度较低且准确率相对较高的模型，以便系统可以在计算能力较低的设备中尽可能正确地从输入的皮肤镜图像中轻松预测黑色素瘤。数据集从 ISIC Archive 获取。使用迁移学习技术实现了多个预训练模型 ResNet101、DenseNet、EfficientNet、InceptionV3 以完成比较分析，每个模型都取得了良好的准确率。在训练模型之前，通过多个参数对数据进行了增强以提高准确率。此外，结果优于先前 SOTA 方法，足以预测黑色素瘤。在这些架构中，DenseNet 的表现优于其他模型，其验证准确率为 96.64%，验证损失为 9.43%，测试集准确率为 99.63%。
引用
@article{arxiv.2312.01212,
title = {A Comparative Analysis Towards Melanoma Classification Using Transfer Learning by Analyzing Dermoscopic Images},
author = {Md. Fahim Uddin and Nafisa Tafshir and Mohammad Monirujjaman Khan},
journal= {arXiv preprint arXiv:2312.01212},
year = {2023}
}