基于 CNN 的皮肤癌检测与分类决策支持系统
机器学习
2019-12-10 v1 机器学习
摘要
皮肤癌是所有癌症中最致命的癌症之一。若未在初期诊断并治疗，它势必扩散至身体不同部位。这主要源于皮肤细胞的异常生长，常发生于身体暴露于日光时。此外，初期皮肤恶性肿瘤的检测与表征是一项昂贵且具挑战性的过程。其分类依据发生部位与细胞类型。病灶分类要求高精度与高召回率。本文旨在使用包含皮肤镜图像的 MNIST HAM-10000 数据集。目标是提出一个利用卷积神经网络检测皮肤癌并将其分类至不同类别的系统。诊断方法采用图像处理与深度学习模型。所取皮肤癌皮肤镜图像经过多种技术以去除噪声并改善图像分辨率。图像数量亦通过多种图像增强技术得以增加。最后，采用迁移学习方法进一步提升图像分类精度。我们的 CNN 模型给出了 0.88 的加权平均精度、0.74 的加权平均召回率以及 0.77 的加权 f1 分数。应用 ResNet 模型的迁移学习方法取得了 90.51% 的准确率。
引用
@article{arxiv.1912.03798,
title = {Decision Support System for Detection and Classification of Skin Cancer using CNN},
author = {Rishu Garg and Saumil Maheshwari and Anupam Shukla},
journal= {arXiv preprint arXiv:1912.03798},
year = {2019}
}
备注
9 pages, 3 figures, 5 tables