MpoxSLDNet：一种用于检测猴痘病变的新型CNN模型及与预训练模型的性能比较
计算机视觉与模式识别
2026-02-11 v2
摘要
猴痘病毒（MPXV）是一种人畜共患病毒，对公共卫生构成重大威胁，尤其是在中非和西非的偏远地区。早期检测猴痘病变对于有效治疗至关重要。然而，由于与其他皮肤病的相似性，猴痘病变检测是一项具有挑战性的任务。为了检测猴痘，许多研究人员使用了各种深度学习模型，如 MobileNetv2、VGG16、ResNet50、InceptionV3、DenseNet121、EfficientNetB3、MobileNetV2 和 Xception。然而，这些模型由于其规模庞大，通常需要高存储空间。本研究旨在通过引入一个名为 MpoxSLDNet（猴痘皮肤病变检测器网络）的 CNN 模型来改进现有挑战，以促进数字图像中猴痘病变和非猴痘病变的早期检测和分类。与传统的预训练模型（如 VGG16、ResNet50 和 DenseNet121）相比，我们的模型在精确率、召回率、F1 分数、准确率和 AUC 等性能指标上表现出色，代表了猴痘病变检测领域的重大进步。我们方法的关键新颖之处在于 MpoxSLDNet 能够在实现高检测准确率的同时，所需的存储空间远小于现有模型。通过解决高存储需求的挑战，MpoxSLDNet 为资源受限的医疗环境中猴痘病变的早期检测和分类提供了一种实用的解决方案。在本研究中，我们使用了“猴痘皮肤病变数据集”，该数据集包含 1428 张猴痘病变皮肤图像和 1764 张非猴痘病变皮肤图像。数据集的局限性可能会影响模型对未见病例的泛化能力。然而，MpoxSLDNet 模型达到了 94.56% 的验证准确率，而 VGG16、DenseNet121 和 ResNet50 的准确率分别为 86.25%、84.38% 和 67.19%。
引用
@article{arxiv.2405.21016,
title = {MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models},
author = {Fatema Jannat Dihan and Saydul Akbar Murad},
journal= {arXiv preprint arXiv:2405.21016},
year = {2026}
}