Classification of skin lesions using convolutional neural networks
Notice bibliographique
Résumé
Bu çalışmada Uluslararası Deri Görüntüleme Birliği tarafından 2019 yılında yayınlanan ve 25000'den fazla dermoskopik deri görüntüsü içeren ISIC 2019 veri seti kullanılarak 4 çeşit (Melanom, Melanositik Nevüs, Bazal Hücreli Karsinom, İyi Huylu Keratoz) deri pigmentasyonu Evrişimsel Sinir Ağları yöntemi yardımıyla sınıflandırılmıştır.Sınıflandırma yapılırken InceptionV3 yapay sinir ağı mimarisi kullanılmıştır.Deri görüntülerine önişlem olarak Hilbert Dönüşümü ve Yüksek Boyutlu Model Gösterilimi uygulanmıştır.Elde edilen sonuçlara göre test verisi üzerinde Hilbert Dönüşümü uygulanmış görüntülerde Bazal Hücreli Karsinom hastalığının sınıflandırılmasında %89 başarı oranı elde edilmiştir.Yüksek Boyutlu Model Gösterilimi ile Kontrast Artırımı uygulanan görsellerde ise Melanomun sınıflandırılmasında %78 başarı oranı elde edilmiştir.In this paper we classified 4 skin lesions (Melanoma,Melanocytic Nevus, Basal Cell Carcinoma, Benign keratosis) from ISIC 2019 dataset which was published by International Skin Imaging Collabration in 2019.We used InceptionV3 convolutional neural network model for classification.We applied two preprocessing methods: High Dimensional Model Representation (HDMR) and Hilbert Transform.In conclusion we obtained 89% accuracy on classification of Basal Cell Carcinoma using Hilbert Transform.Moreover, we obtained 78% accuracy on classification of Melanoma using Contrast Enhancement High Dimensional Model Representation (HDMR).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».