ScaledDenseNet: An Efficient Deep Learning Architecture for Skin Lesion Identification
Notice bibliographique
Résumé
This research introduces ScaledDenseNet, a proficient deep learning architecture developed for precise identification of skin lesions.The model amalgamates DenseNet with the compound scaling method derived from EfficientNet, thereby achieving enhanced performance without detriment to the speed of inference.A grid search was conducted for the optimization of hyperparameters α, β, and Υ, instrumental in controlling the scaling of network dimensions.For model training and testing, the HAM10000 dataset was utilized, encompassing seven categories of diseases, namely carcinoma, basal cell carcinoma, benign keratosis-like lesions, dermatofibroma, melanoma, melanocytic nevi, and vascular lesions.ScaledDenseNet exhibited a top-3 accuracy of 94.59%.In response to the pronounced class imbalance within the dataset, image resizing was implemented to adjust input resolution based on phi for each architecture.A comparative analysis revealed that ScaledDenseNet surpassed DenseNet-121 and EfficientNet-B0, which achieved top-3 accuracies of 93.618% and 92.078%, respectively.The research methodology entailed a grid search for hyperparameter optimization and an explicit labeling scheme for disease categories, underpinning the study's validity and repeatability.Through its combination of DenseNet's extensive connectivity and the efficiency of the compound scaling method, ScaledDenseNet emerges as a promising tool for automated identification of skin lesions.Its performance underscores its potential applicability in the early detection and diagnosis of diverse skin conditions, marking a significant contribution to advancements in dermatological image analysis.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».