Monkeypox disease recognition model based on improved SE-InceptionV3

要約

サル痘の世界的な蔓延を受けて、正確な病気の認識が重要になっています。
この研究では、改良された SE-InceptionV3 モデルを導入し、SENet モジュールを組み込み、L2 正則化を InceptionV3 フレームワークに組み込んで、サル痘疾患の検出を強化しました。
猿痘と同様の皮膚状態の画像を含む Kaggle 猿痘データセットを利用することで、私たちのモデルはテストセット上で 96.71% という注目に値する精度を示し、従来の手法や深層学習モデルを上回りました。
SENet モジュールのチャネル アテンション メカニズムにより特徴表現が大幅に向上し、L2 正則化により堅牢な一般化が保証されます。
広範な実験により、精度、再現率、F1 スコアにおけるモデルの優位性が検証され、多様で複雑な症例におけるサル痘病変の鑑別におけるモデルの有効性が強調されています。
この研究は、医療診断における高度な CNN アーキテクチャの応用に関する洞察を提供するだけでなく、疾患認識を強化するためのモデルの最適化とハイパーパラメータ調整におけるさらなる研究への道も開きます。
https://github.com/jzc777/SE-inceptionV3-L2

要約(オリジナル)

In the wake of the global spread of monkeypox, accurate disease recognition has become crucial. This study introduces an improved SE-InceptionV3 model, embedding the SENet module and incorporating L2 regularization into the InceptionV3 framework to enhance monkeypox disease detection. Utilizing the Kaggle monkeypox dataset, which includes images of monkeypox and similar skin conditions, our model demonstrates a noteworthy accuracy of 96.71% on the test set, outperforming conventional methods and deep learning models. The SENet modules channel attention mechanism significantly elevates feature representation, while L2 regularization ensures robust generalization. Extensive experiments validate the models superiority in precision, recall, and F1 score, highlighting its effectiveness in differentiating monkeypox lesions in diverse and complex cases. The study not only provides insights into the application of advanced CNN architectures in medical diagnostics but also opens avenues for further research in model optimization and hyperparameter tuning for enhanced disease recognition. https://github.com/jzc777/SE-inceptionV3-L2

arxiv情報

提供元, 利用サービス

arxiv.jp, Google