在医疗物联网上使用迁移学习与混沌游戏优化的医学图像分类
计算机视觉与模式识别
2023-12-13 v1 人工智能
摘要
医疗物联网极大地造福了医疗专业人员，使得患者和医生可以从所有地区进行访问。尽管在 IoMT 中对黑色素瘤和白血病等疾病的自动检测和预测仍在研究和探索中，但现有方法无法达到很高的效率。因此，借助一种能提供更好结果的新方法，患者将能更早获得适当的治疗，从而降低死亡率。因此，本文提出了一种可用于任何地方的医学图像分类 IoMT 方案，即一种泛在的方法。它分两个阶段设计：首先，我们采用基于迁移学习的方法进行特征提取，该过程使用 MobileNetV3 完成；其次，我们使用混沌游戏优化进行特征选择，旨在排除不必要的特征并提高性能，这在 IoMT 中是关键。我们的方法使用 ISIC-2016、PH2 和 Blood-Cell 数据集进行了评估。实验结果表明，所提出的方法在 ISIC-2016 上的准确率为 88.39%，在 PH2 上为 97.52%，在 Blood-cell 上为 88.79%。此外，与其他现有方法相比，我们的方法在所采用的指标上均取得了成功的表现。
引用
@article{arxiv.2312.07437,
title = {Medical Image Classification Using Transfer Learning and Chaos Game Optimization on the Internet of Medical Things},
author = {Alhassan Mabrouk and Abdelghani Dahou and Mohamed Abd Elaziz and Rebeca P. Díaz Redondo and Mohammed Kayed},
journal= {arXiv preprint arXiv:2312.07437},
year = {2023}
}
备注
22 pages, 12 figures, journal