IoT enabled Dermoscopy Image Classification using Optimized Deep Convolutional Neural Networks and Biosignal Fusion for enhanced Skin Lesion Diagnosis
Notice bibliographique
Résumé
Melanoma is the most aggressive type of skin cancer, making early detection critical.This study introduces an Optimized Deep Convolutional Neural Network (ODCNet) for accurate melanoma diagnosis in dermatoscopic images, enhanced with biosignal fusion and Internet of Things (IoT) technologies for real-time remote screening.The framework includes: (i) thresholding and augmentation to suppress noise and expand data samples; (ii) Principal Component Analysis (PCA) to reduce dimensionality of features from dermoscopic images and biosignals such as skin temperature, Galvanic Skin Response (GSR), and PhotoPlethysmography (PPG) captured via IoT wearables; (iii) a two-phase segmentation combining Otsu's thresholding and the Chan-Vese method for refined lesion boundaries; (iv) a Deep CNN that classifies pixels as melanoma or benign, strengthened by multimodal feature fusion; and (v) the Adam optimizer for efficient convergence.The model was evaluated on the HAM10000 dataset and biosignal inputs from IoT health sensors.Results demonstrate superior performance over existing classifiers, achieving 95.1% accuracy, 96.6% sensitivity, 81.8% specificity, 95.4% precision, and 95.4% F1-score.The integration of biosignals and IoT enhances reliability, offering a robust solution for early melanoma detection in both clinical and smart healthcare environments.
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) | 0,000 | 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) | 0,001 | 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 ».