皮肤癌图像分类使用迁移学习技术
皮肤癌是世界上最危险和最常见的癌症之一,本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类,证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。
Apr, 2024
结合深度学习技术和迁移学习方法,本文提出了一种系统,用于对黑色素瘤皮肤损伤进行分类和诊断,达到相对较高的准确度,并且可在计算能力较弱的设备上进行预测。
Dec, 2023
本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断,以检测黑色素瘤和恶性皮肤癌,其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。
Jan, 2019
通过使用多任务少样本学习方法,我们提出了一种适应少量标记数据的多任务少样本学习方法,结合分割网络和分类网络,以实现对皮肤病变的自动分类和检测,提高皮肤癌的早期检测率。
Oct, 2023
本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术,我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明,所提出的方法优于几种标准的基线方法,并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。
Apr, 2020
研究表明,知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务,深度学习对训练数据的渴求提出了挑战,通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题,然而这方面的系统性评估目前尚缺失,因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能,结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能,为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。
Mar, 2017
我们提出基于知识蒸馏的方法来创建一个轻量级且高性能的皮肤癌分类器,通过融合 ResNet152V2、ConvNeXtBase 和 ViT Base 等三个模型来创建一个有效的教师模型,进而进行指导以得到一个大小为 2.03 MB 的轻量级学生模型,通过 16 位量化将其进一步压缩到 469.77 KB,以实现边缘设备的平滑整合,在六个阶段的图像预处理、数据增强以及严谨的消融研究的基础上,在 HAM10000 数据集上取得了 98.75% 的准确率,在 Kaggle 数据集上取得了 98.94% 的准确率,在资源受限的环境中,我们的模型以其高准确率和紧凑的大小成为一个潜在的准确的皮肤癌分类选择。
Jun, 2024
通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法,该研究建立了一个可比较 1,296 个实验的公平对比,并生成一个可在 Web 上部署的轻量级模型(称为 Mela-D)以及减少参数 24 倍以提高 33 倍运行速度,并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率,从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。
Mar, 2024