تشخیص سرطان پوست با استفاده از ی ک رویکرد مبتنی بر معماری سبک وزن

تشخیص دقیق و سریع سرطان پوست با استفاده از تصاویر پوستی، یکی از چالش های مهم در تشخیص این بیماری است. در سال های اخیر، محققان از مدل های عمیق از پیش ساخته مانند ResNet، MobileNet و EfficientNet برای طراحی سیستم های تشخیص ضایعات پوستی استفاده کرده اند. با این حال، این مدل ها معمولا دارای ساختارهای ثابت، پارامترهای فراوان، و وابستگی شدید به داده های پیش آموزش دیده هستند که ممکن است منجر به کاهش عملکرد در مسائل خاص مانند تشخیص دقیق ضایعات پوستی شود. در این مقاله، یک معماری جدید با استفاده از بلوک های سبک وزن MBConv ارائه می شود که قادر به استخراج ویژگی های پیچیده از تصاویر پوستی است. این معماری شامل سه بخش: بخش اولیه استخراج ویژگی ها، بدنه اصلی، و طبقه بند کننده است که پس از دریافت تصویر ورودی ویژگی های مهم را از آن استخراج می کند و در نهایت آن را طبقه بندی می کند. نتایج تجربی روی مجموعه داده معیاری PAD-UFES-۲۰ نشان می دهد که مدل پیشنهادی با بهبود میانگین دقت به میزان ۳٪ نسبت به مدل های پایه، عملکرد بهتری در دسته بندی ضایعات پوستی دارد.

کلیدواژه ها:

یادگیری عمیق ، سرطان پوست ، بلوک MBConv