基于深度卷积神经网络的多类皮肤癌分类架构
计算机视觉与模式识别
2023-03-15 v1
摘要
皮肤癌检测具有挑战性，因为不同类型的皮肤病变高度相似。本文提出一种基于计算机的深度学习方法来准确识别各类皮肤病变。深度学习方法可非常精确地检测皮肤癌，因为模型学习图像的每个像素。有时人类会被皮肤病变的相似性所混淆，而我们通过引入机器可将其最小化。然而，并非所有深度学习方法都能给出更好的预测，某些深度学习模型存在局限性，导致模型出现假阳性结果。我们引入了若干深度学习模型来对皮肤病变进行分类，以区分皮肤癌与不同类型的皮肤病变。在对皮肤病变分类前，使用了数据预处理与数据增强方法。最后，将卷积神经网络（CNN）模型及六个迁移学习模型（如 Resnet-50、VGG-16、Densenet、Mobilenet、Inceptionv3 和 Xception）应用于公开基准 HAM10000 数据集，对七类皮肤病变进行分类并开展对比分析。这些模型将通过区分癌细胞与非癌细胞来检测皮肤癌。模型性能使用精确率、召回率、f1 分数和准确率等指标衡量。我们分别取得 Inceptionv3、Xception、Densenet、Mobilenet、Resnet、CNN 和 VGG16 的准确率为 90%、88%、88%、87%、82% 和 77%。此外，我们开发了五种不同的堆叠模型，如 inceptionv3-inceptionv3、Densenet-mobilenet、inceptionv3-Xception、Resnet50-Vgg16 和 stack-six 用于皮肤病变分类，发现堆叠模型表现较差，在所有堆叠模型中最高准确率为 78%。
引用
@article{arxiv.2303.07520,
title = {Multi-class Skin Cancer Classification Architecture Based on Deep Convolutional Neural Network},
author = {Mst Shapna Akter and Hossain Shahriar and Sweta Sneha and Alfredo Cuzzocrea},
journal= {arXiv preprint arXiv:2303.07520},
year = {2023}
}