用于增强黑色素瘤检测的混合深度学习框架
图像与视频处理
2024-08-05 v1 计算机视觉与模式识别
摘要
癌症是全球主要死因之一，需要在早期检测和治疗技术方面取得进展。本文提出了一种新颖且高效的黑色素瘤检测框架，协同结合了 U-Net 用于分割和 EfficientNet 用于皮肤图像分类的优势。本研究的主要目标是通过创新的混合方法提高黑色素瘤检测的准确性和效率。我们利用 HAM10000 数据集精心训练 U-Net 模型，使其能够精确分割癌变区域。同时，我们使用 ISIC 2020 数据集训练 EfficientNet 模型，优化其进行皮肤癌二分类。我们的混合模型在 ISIC 2020 数据集上取得了 99.01% 的显著准确率。这一卓越结果强调了我们方法相比现有模型结构的优越性。通过整合 U-Net 的精确分割能力与 EfficientNet 的先进分类能力，我们的框架为黑色素瘤检测提供了全面解决方案。我们广泛实验的结果表明该方法在分割和分类任务中具有高准确性和可靠性。这表明我们的混合方法有潜力显著提升癌症检测，为医学专业人员提供黑色素瘤早期诊断和治疗的有力工具。我们相信该框架可为自动化皮肤癌检测领域设定新基准，鼓励进一步的研究与发展。
引用
@article{arxiv.2408.00772,
title = {Hybrid Deep Learning Framework for Enhanced Melanoma Detection},
author = {Peng Zhang and Divya Chaudhary},
journal= {arXiv preprint arXiv:2408.00772},
year = {2024}
}