Deep Learning-Based Classification of Melanoma and Non-Melanoma Skin Cancer
Notice bibliographique
Résumé
Melanoma skin cancer is primarily characterized by poor prognostic responses.Surgical treatment can achieve advanced cure rate with early melanoma detection.Manual segmentation of suspected lesions aids early melanoma diagnosis.However, the limitations of manual segmentation include low efficiency and a risk of misclassification.Deep learning, due to its proficiency in image object classification, has gained popularity and is usually used in medical specialties such as ophthalmology, dermatology, and radiology.This paper proposes a deep learning method using a novel light weight convolutional neural networks (LWCNN) and transfer learning techniques (GoogleNet,.These are used to train datasets and features enhancement of skin scan gathered from Kaggle, aiming to distinguish them into two groups: Melanoma and Non-Melanoma cells.By employing these techniques, new datasets with robust features are produced.All CNN models have been tested in two experiments.In firestone, model was tested solely with original datasets and achieved 97.30%, 88.43%, and 48.28% for AC-Training, AC-Testing, and Time (min) respectively.In second experiment, we used the dataset after enhancing the features of skin scan images, which resulted in 99.18%, 91.05%, and 22.54% for AC-Training, AC-Testing, and Time (min) respectively.According to experimental results, the proposed approach provides higher accuracy results for enhanced images than original images, demonstrating its potential in skin cancer classification.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».