Core Concepts
Ein innovativer konvolutionaler Ensemble-Netzwerkansatz namens Deep Autoencoder (DAE) mit ResNet101 wird zur effektiven Erkennung von Hautkrebs eingesetzt.
Abstract
Die Studie untersucht einen hybriden Ansatz, der die Stärken von DAE und ResNet101 kombiniert, um Hautläsionen in sieben Klassen zu klassifizieren.
Der Datensatz stammt aus der ISIC-2018-Datenbank und enthält 10.015 Trainingsbilder von Dermoskopie. Zur Verbesserung der Klassifikationsleistung werden Datenaugmentierung und Pixelnormalisierung angewendet.
Das vorgeschlagene DAE-ResNet101-Modell erzielt eine Genauigkeit von 96,03%, eine Präzision von 95,40%, eine Rückrufquote von 96,05%, einen F1-Wert von 0,9576 und eine AUC von 0,98. Es übertrifft damit die Leistung bestehender Methoden deutlich.
Die Ergebnisse zeigen, dass der hybride Ansatz eine effektive Lösung für die Klassifizierung von Hautkrebs darstellt. Die Methode ermöglicht eine präzise und zuverlässige Erkennung verschiedener Hautläsionen, was für eine frühzeitige Diagnose und Behandlung von entscheidender Bedeutung ist.
Stats
Die Methode erzielt eine Genauigkeit von 96,03%, eine Präzision von 95,40%, eine Rückrufquote von 96,05% und einen F1-Wert von 0,9576.
Die AUC-Metrik beträgt 0,98.
Quotes
"Ein innovativer konvolutionaler Ensemble-Netzwerkansatz namens Deep Autoencoder (DAE) mit ResNet101 wird zur effektiven Erkennung von Hautkrebs eingesetzt."
"Das vorgeschlagene DAE-ResNet101-Modell übertrifft die Leistung bestehender Methoden deutlich."