基于 VGG16 与 VGG19 迁移学习模型的皮肤癌诊断
计算机视觉与模式识别
2024-04-02 v1
摘要
如今，皮肤癌被认为是世界上最危险且最常见的癌症之一，需要特别关注。皮肤癌可表现为不同类型，包括黑色素瘤、光化性角化病、基底细胞癌、鳞状细胞癌和 Merkel 细胞癌。其中，黑色素瘤最为难以预测。黑色素瘤若能在早期阶段被诊断，将增加疾病治疗的可能性。由于疾病的形态与分级多种多样，皮肤病变的自动分类是一项具有挑战性的任务，需要引入新方法。深度卷积神经网络（CNN）在数据与图像分类方面展现出卓越潜力。本文研究了使用 CNN 技术的皮肤病变分类问题。值得注意的是，我们表明通过对预训练神经网络进行适当设计并应用迁移学习框架，无需任何数据增强过程即可获得突出的病变检测分类精度，即将由通用数据集预训练的 VGG16 与 VGG19 架构与修改后的 AlexNet 网络融合，随后使用包含皮肤病学图像的特定数据集进行微调。该卷积神经网络使用 2541 张图像进行训练，并特别采用了 dropout 来防止网络过拟合。最后，通过应用 K 折交叉验证方法检验了模型的有效性。与其他方法相比，所提模型将分类精度提高了 3%（从 94.2% 提升至 98.18%）。
引用
@article{arxiv.2404.01160,
title = {Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models},
author = {Amir Faghihi and Mohammadreza Fathollahi and Roozbeh Rajabi},
journal= {arXiv preprint arXiv:2404.01160},
year = {2024}
}
备注
15 pages, journal