基于前沿深度学习模型并考虑种族多样性的Mpox皮肤病变网络检测系统
计算机视觉与模式识别
2023-06-27 v1 人工智能
摘要
近期被称为“Mpox”（原称“Monkeypox”）的疫情已成为重大公共卫生问题，并蔓延至全球110多个国家。早期临床确诊mpox的挑战部分源于其与其他类型皮疹的相似性。在计算机辅助筛查工具方面，在基于聚合酶链式反应（PCR）的诊断无法立即获得的情况下已被证明具有价值。深度学习方法善于学习复杂的数据表示，但其效能很大程度上取决于充足的训练数据。为应对该挑战，我们提出了“Mpox皮肤病变数据集版本2.0（MSLD v2.0）”，作为此前发布的开放获取数据集的后续，该数据集为首批包含mpox病变图像的数据集之一。该数据集包含mpox患者及另外五种非mpox类别（水痘、麻疹、手足口病、牛痘和健康）的图像。我们对若干最先进的深度学习模型（包括VGG16、ResNet50、DenseNet121、MobileNetV2、EfficientNetB3、InceptionV3和Xception）的性能进行了基准测试，以分类mpox与其他传染性皮肤病。为减轻种族偏见的影响，我们采用色彩空间数据增强方法在训练期间增加肤色多样性。此外，通过利用由大量色素性皮肤病变图像集合HAM10000数据集生成的预训练权重实现的迁移学习，我们取得了83.59±2.11%的最佳总体准确率。最后，所开发的模型被集成到一个原型网络应用中，用于分析用户上传的皮肤图像并判断受试者是否为疑似mpox患者。
引用
@article{arxiv.2306.14169,
title = {A Web-based Mpox Skin Lesion Detection System Using State-of-the-art Deep Learning Models Considering Racial Diversity},
author = {Shams Nafisa Ali and Md. Tazuddin Ahmed and Tasnim Jahan and Joydip Paul and S. M. Sakeef Sani and Nawsabah Noor and Anzirun Nahar Asma and Taufiq Hasan},
journal= {arXiv preprint arXiv:2306.14169},
year = {2023}
}