皮肤病变分析器：基于MobileNet的高效七类多类皮肤癌分类
摘要
皮肤癌作为一种主要癌症，是一个关键的公共卫生问题，全球每年新诊断出123,000例黑色素瘤和2至3百万例非黑色素瘤病例。皮肤癌的主因是皮肤细胞高度暴露于紫外线辐射，这可能损伤皮肤细胞内的DNA，导致皮肤细胞不受控制地生长。皮肤癌主要通过临床筛查、活检、皮肤镜分析和组织病理学 examination 进行目视诊断。已表明，经验不足的皮肤科医生使用皮肤镜分析可能导致诊断准确性降低。皮肤癌的早期检测和筛查有潜力降低死亡率和发病率。既往研究已显示深度学习在若干视觉识别任务中表现优于人类专家。在本文中，我们提出一种高效的七类自动化多类皮肤癌分类系统，其性能可与专家皮肤科医生相媲美。我们使用预训练的MobileNet模型通过迁移学习在HAM10000数据集上训练。该模型对皮肤病变图像的分类类别准确率为83.1%，top2准确率为91.36%，top3准确率为95.34%。加权平均的精确率、召回率和f1分数分别为0.89、0.83和0.83。该模型已作为Web应用部署供公众使用于(https://saketchaturvedi.github.io)。这种快速、可扩展的方法具有显著的临床影响潜力，包括拓宽初级保健实践范围并增强皮肤科专家的临床决策。
引用
@article{arxiv.1907.03220,
title = {Skin Lesion Analyser: An Efficient Seven-Way Multi-Class Skin Cancer Classification Using MobileNet},
author = {Saket S. Chaturvedi and Kajol Gupta and Prakash. S. Prasad},
journal= {arXiv preprint arXiv:1907.03220},
year = {2020}
}
备注
This is a pre-copyedited version of a contribution published in Advances in Intelligent Systems and Computing, Hassanien A., Bhatnagar R., Darwish A. (eds) published by Chaturvedi S.S., Gupta K., Prasad P.S. The definitive authentication version is available online via https://doi.org/10.1007/978-981-15-3383-9_15