利用后离散小波变换（DWT）和新型群体算法优化器增强皮肤癌诊断
计算机视觉与模式识别
2024-12-03 v1 机器学习
神经与进化计算
图像与视频处理
摘要
皮肤癌（SC）是最致命的癌症之一，如果不及时诊断和治疗，后果将更为严重。早期干预至关重要，因为这有助于更有效的治疗方法。近年来，深度学习（DL）已成为早期检测和皮肤癌诊断（SCD）的强大工具。尽管深度学习在皮肤癌诊断方面前景光明，但仍有提升模型效率和准确性的广阔空间。本文提出了一种新颖的皮肤癌检测方法，结合优化技术与预训练网络及小波变换。首先，对归一化图像使用Densenet-121、Inception、Xception和MobileNet等预训练网络提取层次化特征。特征提取后，特征图通过离散小波变换（DWT）层捕获低频和高频成分。随后集成自注意力模块以学习特征之间的全局依赖关系，聚焦于特征图中最相关的部分。利用Modified Gorilla Troops Optimizer（MGTO）、Improved Gray Wolf Optimization（IGWO）和Fox optimization algorithm等三种新型群体算法优化神经元数量和权重向量。评估结果表明，使用优化算法优化权重向量可提升诊断准确率，使其成为SCD的高效方法。该方法在ISIC-2016数据集上以MobileNet + Wavelet + FOX和DenseNet + Wavelet + Fox组合获得98.11%的顶级准确率，在ISIC-2017数据集上以Inception + Wavelet + MGTO组合获得97.95%的准确率，至少提高了1%。
引用
@article{arxiv.2412.00472,
title = {Enhancing Skin Cancer Diagnosis (SCD) Using Late Discrete Wavelet Transform (DWT) and New Swarm-Based Optimizers},
author = {Ramin Mousa and Saeed Chamani and Mohammad Morsali and Mohammad Kazzazi and Parsa Hatami and Soroush Sarabi},
journal= {arXiv preprint arXiv:2412.00472},
year = {2024}
}