Dermoscopic Image Classification for Skin Cancer Diagnosis Using Deep Learning and Cuckoo Search With 3D Shearlet
Notice bibliographique
Résumé
Melanoma, the most serious kind of skin cancer, is formed by a mutation in melanocytes.An early diagnosis is very important to reduce mortality.The proposed system categorizes dermoscopic images for identifying skin malignancies using Deep Learning and Cuckoo Search (DLCS) in conjunction with 3D Shearlet Transform (3DST).There are four different modules that make up the DLCS system.These modules include preprocessing, representation of dermoscopic images, selection of directional sub-bands and features, and classification.Using a straightforward median filtering strategy, the initial step eliminates the undesirable information which degrades the system's performance.These details include noise and hair in skin images.The pre-processed image is decomposed using 3D ST during the feature extraction step to retrieve the textural characteristics at varying scales and directions.The DLCS technique is used to choose a certain proportion of features, and then, a straightforward DL architecture with ten hidden layers is used to create a classification system for the dermoscopic image.Experimental results on PH 2 and ISIC databases show that the DLCS-3DST system's performances are affected by the features from different Levels (L) and Directions (D).Training the classifier using the selected features from 3L-8D provides the highest accuracy of 99.22% for PH 2 database and 99.39% for ISIC database.It is also observed that when dermoscopic images are decomposed by 4L with 32D, there is an increase in redundant information, which negatively impacts the performance of the classifier.
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 | 0,002 | 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) | 0,002 | 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 ».