基于 DenseNet 的皮肤镜皮肤病变图像分割与分类方法
图像与视频处理
2022-02-17 v1 计算机视觉与模式识别
机器学习
摘要
目前，癌症是世界上最重要的健康问题之一。由于癌症的早期发现和适当治疗对患者的康复和生存非常有效，图像处理作为一种诊断工具可以帮助医生在癌症的首次识别中进行诊断。诊断皮肤病变最重要的步骤之一是自动检测皮肤图像的边界，因为后续步骤的准确性取决于此。如果识别出这些细微之处，它们可以对疾病的诊断产生重大影响。因此，存在一个良好的机会来开发更精确的算法以分析此类图像。本文提出了一种使用两种架构（用于图像分割的 U-Net 和用于图像分类的 DenseNet121）的改进皮肤病变分割与分类方法，其具有优异的精度。我们在 ISIC-2018 数据集上测试了模型的分割架构，在 HAM10000 数据集上测试了分类。我们的结果表明，与以往研究相比，U-Net 和 DenseNet121 架构的组合在皮肤镜图像分析中提供了可接受的结果。本研究中考察的另一种分类是癌变和非癌变样本。在该分类中，癌变和非癌变样本在 DenseNet121 网络中分别以 79.49% 和 93.11% 的准确率被检测出来。
引用
@article{arxiv.2110.04632,
title = {DenseNet approach to segmentation and classification of dermatoscopic skin lesions images},
author = {Reza Zare and Arash Pourkazemi},
journal= {arXiv preprint arXiv:2110.04632},
year = {2022}
}