DermICNet: Efficient Dermoscopic Image Classification Network for Automated Skin Cancer Diagnosis
Notice bibliographique
Résumé
The incidence of skin cancer is rapidly increasing worldwide. The relevance of Skin Cancer Diagnosis (SCD) and the difficulty in achieving an accurate and consistent diagnosis have resulted in significant research interest. Furthermore, automated detection or classification would be even more helpful in a diagnostic assistance system. This study develops an efficient Dermoscopic Image Classification Network (DermICNet) for automated SCD. The proposed DermICNet is a deep learning architecture with an efficient arrangement of eight convolutional layers with small-sized convolution filters (3x3). The extracted features from the convolution layers are fed to the dense layer for classification. It consists of a neural network that uses stochastic gradient descent optimization to find the optimal solution for SCD. Finally, a softmax classifier is employed to classify the patterns in the dermoscopic images. The proposed DermICNet is assessed using PH2 database images. The classification results reported are based on the random-split (70:30) approach, which divides the PH2 database into training and testing. It is demonstrated that it is feasible to discriminate between abnormal and normal dermoscopic images with an average accuracy of 99.2% using the proposed DermICNet. The results suggest that the analysis of dermoscopic images using DermICNet has the potential as a diagnostic tool for SCD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 tête enseignante, 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 ».