Classifying Melanoma in ISIC Dermoscopic Images Using Efficient Convolutional Neural Networks and Deep Transfer Learning
Notice bibliographique
Résumé
Melanoma, recognized as the most life-threatening form of skin cancer, poses a significant threat to life expectancy.The timely identification of melanoma plays a crucial role in mitigating the morbidity and mortality associated with skin cancer.Dermoscopic images, acquired through advanced dermoscopic tools, serve as vital resources for the early detection of skin cancer.Hence, there is an urgent need to develop a reliable and accurate Computer-Aided Diagnosis (CAD) system capable of autonomously discerning skin cancer.This study focuses on the meticulous construction of diverse skin cancer classification models, specifically employing various Convolutional Neural Network (CNN) architectures configured across four distinct layer arrangements.Additionally, a transfer learning approach is explored, leveraging robust pre-trained deep CNN models extensively trained on the comprehensive ISIC dermoscopic image dataset, known for its diversity in skin lesions.Utilizing the ISIC dataset as the foundation of our analysis, the CNN model's performance is systematically evaluated with varying numbers of layers-ranging from 15 to 27. Results indicate that the CNN model comprising 15 layers achieves an accuracy of 89.55%, while the model with 27 layers exhibits the highest performance, attaining an accuracy of 90.85%.In the realm of transfer learning, ten baseline CNN models pre-trained on ImageNet are employed.All baseline models demonstrate accuracies surpassing 80%, with SqueezeNet recording the lowest accuracy at 80.89%.In contrast, the ResNet-50 model consistently outperforms other models in transfer learning, achieving an accuracy of 92.98%.These findings underscore the efficacy of the proposed models in melanoma classification and highlight the superior performance of the ResNet-50 model in the context of transfer learning.
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) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».