结合深度学习与自然启发特征优化的皮肤癌增强分类

本文提出了一种皮肤癌分类模型，结合了预训练的卷积神经网络（CNN）与一种基于自然启发的特征优化算法。自定义数据集包含来自ISIC皮肤镜图像数据集的恶性与良性皮肤癌显微插图。对输入图像进行了多种预处理步骤，如直方图均衡、伽马校正和白平衡调整，以提升可见度、图像质量并进行色彩修正。基于预训练的CNN模型EfficientNetB0，对增强和原始数据集图像进行了深度特征提取与模式识别。通过融合这些特征，模型能够同时捕获两个数据版本中的丰富细节。采用蚁群优化（ACO）算法进行特征选择，保留最相关特征并剔除不必要特征，实现模型优化。优化后的特征向量被用于多种SVM分类器核函数执行皮肤癌分类任务。所提出模型通过CB-SVM实现的最高准确率超过98%，同时保持了卓越的预测速度和较短的训练时间。