基于深度学习的黑色素瘤和非黑色素瘤皮肤癌分类

黑色素瘤皮肤癌的主要特征是预后反应差。外科治疗可以通过早期黑色素瘤检测实现较高的治愈率。对可疑病变的手动分割有助于早期黑色素瘤诊断。然而，手动分割的局限性包括效率低下和误分类的风险。由于其在图像物体分类中的高效能，深度学习越来越受到欢迎，通常用于眼科学、皮肤科和放射学等医学专业。本文提出了一种使用新型轻量级卷积神经网络（LWCNN）和迁移学习技术（GoogleNet）的深度学习方法。这些方法用于训练数据集和增强从Kaggle收集的皮肤扫描特征，旨在将其分为两组：黑色素瘤和非黑色素瘤细胞。通过采用这些技术，生成了具有强大特征的新数据集。所有CNN模型在两个实验中进行了测试。在首次实验中，模型仅使用原始数据集进行测试，AC-Training，AC-Testing和时间（分钟）分别达到了97.30%，88.43%和48.28%。在第二次实验中，我们在增强了皮肤扫描图像的特征后使用了数据集，结果AC-Training，AC-Testing和时间（分钟）分别达到了99.18%，91.05%和22.54%。根据实验结果，所提出的方法对增强图像提供了比原始图像更高的准确性，展示了其在皮肤癌分类中的潜力。