A two‐stream deep neural network‐based intelligent system for complex skin cancer types classification

人工智能 计算机科学 模式识别(心理学) 多类分类 分类器(UML) 特征选择 人工神经网络 深度学习 皮肤癌 皮肤损伤 支持向量机 癌症 医学 病理 内科学
作者
Muhammad Shahzeb Khan,Muhammad Sharif,Tallha Akram,Seifedine Kadry,Ching-Hsien Hsu
出处
期刊:International Journal of Intelligent Systems [Wiley]
卷期号:37 (12): 10621-10649 被引量:19
标识
DOI:10.1002/int.22691
摘要

Medical imaging systems installed in different hospitals and labs generate images in bulk, which could support medics to analyze infections or injuries. Manual inspection becomes difficult when there exist more images, therefore, intelligent systems are usually required for real-time diagnosis. Melanoma is one of the most common and severe forms of skin cancer that begins from the cells beneath the skin. Through dermoscopic images, it is possible to diagnose the infection at the early stages. In this regard, different approaches have been exploited for improved results. In this study, we propose a two-stream deep neural network information fusion framework for multiclass skin cancer classification. The proposed technique follows two streams: initially, a fusion-based contrast enhancement technique is proposed, which feeds enhanced images to the pretrained DenseNet201 architecture. The extracted features are later optimized using a skewness-controlled moth–flame optimization algorithm. In the second stream, deep features from the fine-tuned MobileNetV2 pretrained network are extracted and down-sampled using the proposed feature selection framework. Finally, most discriminant features from both networks are fused using a new parallel multimax coefficient correlation method. A multiclass extreme learning machine classifier is used to classify lesion images. The testing process is initiated on three imbalanced skin data sets—HAM10000, ISBI2018, and ISIC2019. The simulations are performed without performing any data augmentation step in achieving an accuracy of 96.5%, 98%, and 89%, respectively. A fair comparison with the existing techniques reveals the improved performance of our proposed algorithm.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
慧敏发布了新的文献求助30
刚刚
遥远的尧应助xin采纳,获得10
1秒前
孤独的匕发布了新的文献求助10
2秒前
潇洒雁梅完成签到,获得积分10
2秒前
研友_VZG7GZ应助好久不见采纳,获得10
2秒前
dxszing完成签到 ,获得积分10
3秒前
浅惜应助小林采纳,获得10
3秒前
Phuctanpct发布了新的文献求助10
3秒前
Hello应助hsing采纳,获得10
3秒前
4秒前
5秒前
yikeguozi发布了新的文献求助10
5秒前
上官若男应助鹿晓狼采纳,获得10
5秒前
刘桑桑完成签到,获得积分10
5秒前
7秒前
完美世界应助gdh采纳,获得10
7秒前
7秒前
yuni123完成签到,获得积分10
8秒前
小二郎应助77爱吃鱼采纳,获得10
9秒前
10秒前
11秒前
ssss发布了新的文献求助10
11秒前
12秒前
weijie发布了新的文献求助10
12秒前
猪猪女孩一路硕博完成签到,获得积分10
12秒前
13秒前
Bodhicia发布了新的文献求助10
14秒前
glowworm完成签到,获得积分20
15秒前
lalala发布了新的文献求助10
15秒前
完美梨愁发布了新的文献求助10
16秒前
陈琼5完成签到,获得积分10
16秒前
大福完成签到,获得积分10
16秒前
17秒前
17秒前
HCl完成签到,获得积分10
19秒前
在水一方应助赵怡梦采纳,获得20
20秒前
20秒前
廖程完成签到 ,获得积分10
20秒前
皮皮完成签到 ,获得积分10
21秒前
科研通AI2S应助owoow采纳,获得10
21秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3157989
求助须知:如何正确求助?哪些是违规求助? 2809366
关于积分的说明 7881582
捐赠科研通 2467822
什么是DOI,文献DOI怎么找? 1313728
科研通“疑难数据库(出版商)”最低求助积分说明 630522
版权声明 601943