Melanoma Classification Combining Browning Index and Deep Neural Networks
Notice bibliographique
Résumé
Cutaneous melanoma, which originates from melanin producing cells (a substance that determines skin color), is the rarest and most dangerous type of skin cancer.Due to its high ability to spread to other areas of the body, early detection of cutaneous melanoma is the main action for reducing its mortality rates.By using computer-aided diagnosis that integrates some tools, such as image processing and deep learning, it is possible to develop efficient computational non-invasive approaches to cutaneous melanoma segmentation and recognition tasks.Unlike traditional approaches that directly process colorful original images, we propose to previously use a pre-processing step to highlight the skin melanoma from the rest of the skin before the segmentation process.The proposed solution consists of employing indicators of browning, called Browning Index (BI), used in some areas of the food industry.Three BIs (Aimonino, Lunadei2, and Fetuga) were applied separately and together in the images.The segmentation process was performed through two thresholding techniques (Otsu and Lloyd) and the morphological Watershed technique.The melanoma classification process, applied to previously segmented images, employed three CNN models: VGG19, ResNet50, and Xception.The results of the experiments show that previously highlighting the region of skin melanoma through the browning index aids in the classification process.The most promising results were obtained with the combination of the IDAT PWBHEPL, Lunadei2 Browning Index, Lloyd thresholding technique, and Xception CNN model, with an F1 score value of 97.05%.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
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 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 ».