健康的头发和斑秃分类框架:机器学习(ML)的方法

文摘

斑秃的定义是一种自身免疫性疾病,导致脱发。全球最新的统计数据展示,斑秃的患病率是1 1000年,2%的发病率。机器学习技术展示了潜在的皮肤病与不同地区可能扮演了一个重要的角色在分类斑秃更好的预测和诊断。我们提出一个框架与健康的头发和斑秃的分类。我们使用200张图片Figaro1k数据集和68年健康头发的头发从Dermnet斑秃数据集的图像进行图像预处理包括增强和分割。其次是特征提取包括纹理、形状和颜色。两个分类技术,即。支持向量机(SVM)和 - - - - - -最近邻(资讯),然后应用到训练机器学习模型与图像的70%。剩下的图像设置用于测试阶段。10倍交叉验证,报告的支持向量机精度和资讯是91.4%和88.9%,分别。配对样本 - - - - - -测试显示两个精度之间的显著差异。支持向量机生成精度高(91.4%)相比资讯(88.9%)。我们的研究的结果表明更好的预测在皮肤科领域的潜力。

1。介绍

头皮头发有足够数量的“下降”被定义为脱发(1]。斑秃是一种自身免疫性疾病,包括nonscarring脱发在定义良好的补丁,可以影响整个头皮地区,最终导致脱发(2,3]。的障碍影响全世界数以百万计的人(4),尤其是斑秃家族史(5]。开始时人体的自身免疫系统开始针对毛囊,扰乱他们的正常功能,防止后续头发的生长。结果是脱发。脱发的原因可以归因于很多,毛发检查和活检通常是必要的,以确保原因是斑秃。然而,这些诊断方法的局限性不确定性测试所需的数量足够的诊断。因此,有一个巨大的范围研究新技术与斑秃的分类和诊断(6]。

机器学习(ML)技术显示效果的预测和分类各种疾病和紊乱。机器学习封装不同的计算机算法的研究,表现出潜在的学习和适应7]。机器学习(ML)算法和先进的版本已经被各种医学学科诊断的目的。例如,机器学习(ML)技术表现出准确的结果使用磁共振成像(MRI)和计算机断层扫描(CT)图像诊断脑肿瘤、乳腺癌、卵巢癌、肺部疾病、皮肤疾病(8- - - - - -12]。机器学习(ML)技术也表明他们的信誉在COVID-19流行和辅助医务人员在确定冠状病毒病及其水平(13]。

在皮肤,有效的诊断和预测已经通过不同的机器学习方法。头皮分析系统已经开发利用支持向量机和资讯对头皮图像进行分类。头皮已被用于图像分类的条件如头皮屑的就业支持向量机的机器学习技术,然而,决策树(14- - - - - -20.]。所有这些技术都使用头皮和/或皮肤图像开发预测模型。我们所知,到目前为止,没有一种机器学习的技术已被应用于人类头发的图片。

在本文中,我们提出一个框架,它封装了实际应用中有效地分类斑秃和健康的头发使用头发图像与以前的工作进行了的头皮和皮肤图像。我们的建议表明机器学习技术的实际应用为斑秃的区别。从我们的研究结果展示的未来潜力这个框架来区分头发障碍,肉眼不能确定。

大多数研究人员使用头皮皮肤图像提取的特征斑秃。毛发检查方法提出,涉及提取处理头皮脱发特性的图像使用封装技术,如网格线选择和特征值。系统是小说而言,利用计算机视觉和图像处理技术对斑秃诊断(14]。在另一项研究中,一个自动分类方法的早期诊断和治疗脱发,提出了利用人工神经网络(ANN)。系统使用一个前馈人工神经网络,结果表现出91%的准确性(15]。在另一个工作,根据三个头皮头皮图像分类条件即斑秃,头皮屑,正常的头发。分类取得了85%的准确性(16]。在另一项研究中,纹理分析是使用严重脱发的头皮上执行图像工具(盐)得分。该系统允许分析头发的密度变化在斑秃(17]。

其他系统使用头皮图像分析头发密度和损失清单由于各种原因,包括斑秃。一个系统被称为TrichoScan开发使用epiluminescence显微镜分析头发在头皮雄性脱发患者的图像(AGA)。四个参数,即头发密度,头发直径,头发增长速度,和生长期/调聚剂比例,提取,结果报告了大约91%的相关性(21]。在另一个系统,脱发是诊断通过人工神经网络(ann)的应用。头皮从三百四十八名参与者获得的图像,研究结果展示,人工神经网络可以用于检测脱发(22]。施(23)捕获四十头皮显微图像放大倍数八十五提出头发计数算法涉及密度等特性,直径,长度,和头发油性的水平。观察算法比传统Hough-based更精确,更可靠的在数毛一个人的头皮与人工计数。

研究人员还使用头皮图像开发机器学习模型诊断不同的疾病。头皮一个智能分析系统,提出了采用不同的机器学习方法,如支持向量机线性判别分析(LDA),资讯和决策树。两组之间进行了分类,即细菌1属于水泡或沸腾的头皮和细菌2包括头皮皮肤出现红点。最高的精度,应用支持向量机实现了80%的18]。另一个头皮分析系统使用光学相干断层扫描(OCT)和机器学习识别真菌感染。裙特征包括涉及结构的衰减系数值和快的特性参数如能量、峰度和偏态从头皮捕获的图像中提取。nondandruff之间进行了分类和头皮屑头皮机器学习算法的应用包括决策树、支持向量机、神经网络和极端学习机(ELM)。精度最高的87.5%收购通过SVM其次是神经网络、决策树、榆树和83.3%,79.16%,和75.23%的精度,分别19]。网络摄像头和显微镜相机传感器系统提出了执行的头发和头皮分析参照Norwood-Hamilton规模。 - - - - - -意味着集群应用,脱发的程度决定。结果表现出精度在71%到84%的范围等不同情况下油性头皮,头皮肿胀/红,干性头皮(20.]。

文献综述表明,头发没有工作已经完成图像识别的斑秃(头发障碍)。以前的工作进行了dermoscopic和头皮图像。相似的图像预处理步骤中使用(16];然而,研究利用头皮图像和应用只支持向量机预测的准确率为85%。此外,特征提取技术也不同(16)相比,我们提出的框架。因此,我们的工作展示了小说和创新框架分类斑秃使用颜色、纹理和形状特征和支持向量机和资讯分类算法。

3所示。材料和方法

3.1。数据集

3.1.1。健康的头发图像数据集

共有200名健康的头发已经从Figaro1k数据集检索图像。Figaro1k是一个公开的数据集,它包含不同类型的头发图片如直线、波浪和卷发24]。标准化过程已被应用于数据集,以确保每一个图像的大小和长宽比是一样的(24]。表1列出了一些健康的头发从Figaro1k图像数据集,在这项研究中使用。


类	图片

斑秃

健康的头发

3.1.2。斑秃图像数据集

共有68个头发斑秃的图像从Dermnet检索数据集。上可用的数据集Dermnet包含23个类别的皮肤疾病,包括斑秃(25]。另一种类型的疾病图像包括湿疹、脂溢性角质物质,花斑癣,大疱的疾病、毒葛,牛皮癣(25]。表1说明了几个斑秃的图像,我们使用。

3.2。提出了框架与SVM和资讯

以确保我们的数据包括样例输入图像组织和无错,dataframe函数从熊猫Python库是用来消除不需要的行和列,清洁的图像。使用Python编写代码在Linux工作站利用与泰坦NVidia GPU TensorFlow包。分类技术的帮助下执行两种机器学习方法,支持向量机(SVM)和 - - - - - -最近邻(资讯)。提出流流程分类框架的表现出图1。它开始最初的输入样本图像与健康的头发和斑秃。这是紧随其后的是图像增强的过程,允许摆脱任何不必要的变形图像。图像增强、图像分割和边缘检测。此外,三个特点,即颜色,纹理,形状,提取,分类过程执行。实证研究代表,可以获得更可靠的结果如果20 - 30%的数据用于测试和培训(70 - 80%26]。因此,在这项研究中,70%的图片已经使用了模型训练和剩下的30%用于测试。最终的结果是一个图像的分类为斑秃(0)类或健康的头发(第1类)。

3.3。图像预处理

3.3.1。图像增强

图像增强技术与提高对比度,亮度,像素亮度值(27]。在这项研究中,sklearn。预处理图书馆scikit-image处理的一部分,涉及大量的图像增强和图像分割技术。使用技术与直方图均衡化增强示例输入图像。直方图均衡化(他)倾向于改善局部对比度较低的区域,提高了强度,最终导致增加的全球对比示例输入图像(28]。在我们的研究中,直方图均衡化(他)执行将RGB图像转化为一个等价的hue-saturation-value (HSV)图像格式。直方图均衡强度矩阵产生,图像增强。这是展示数据2和3展示了样例斑秃的形象和健康的头发直方图均衡化前后,分别。

3.3.2。图像分割和边缘检测

图像分割操作属于图像的成分划分成碎片或部分也有类似的功能,如质地、强度和像素值(29日]。在这项研究中,通过调整操作进行了图像分割和边缘检测。调整操作调整图像由一个给定的比例因子或维度。在这项研究中,调整尺寸设置为64;因此,分段输出图像生成维度因素64。图像分割是边缘检测的主要技术。边缘检测是用于识别图像中曲线路径与快速变化的强度图像(30.]。在这项研究中,抗锯齿技术与边缘检测和Python作为scikit-image处理库的一部分被利用。抗锯齿操作被设置为true,表示图像中的粗糙的边缘是平和的。数据4和5显示样例斑秃和健康的头发之前和之后的图像边缘检测,分别。

3.4。特征提取

我们的研究涉及的三个特征的提取颜色、形状和纹理,从每个输入样本图像。Python的库用于颜色、形状和纹理特征提取包括cv2和skimage。

3.4.1。颜色特征

在这项研究中,图像被转换为一系列NumPy涉及彩色像素的RGB值的列表。cv2库是用来计算平均每三个颜色通道包括红、绿、蓝。第一个平均值的cv2库生成蓝色通道,第二个是绿色通道,第三与红色通道。cv2图书馆将RGB图像作为NumPy数组存储在一个相反的顺序;因此,第一个值对应于蓝色通道,绿色通道的第二,第三个红色通道。

3.4.2。纹理特征

作为这项研究的一部分,skimage库和Python cv2图书馆引进开发scikit图像处理的能力。局部二进制模式(lbp)是采用的纹理描述符计算当地表示纹理特征。当地表示,艾滋病在提取纹理特征是由比较图像的每个像素和周边社区的像素。纹理提取使用枸杞多糖,gc是中央像素强度值和gp是邻近像素的强度指数按照以下方程:

这个函数可以表示为

3.4.3。形状特征

的OpenCV的Python库导入到我们的研究利用胡锦涛时刻形状描述符提取形状特征,在那里表示胡锦涛时刻和计算代表了归一化中心矩。胡时刻形状描述符在方程(3)和方程(4)。中央时刻参与计算的胡时刻改变图像的质心的中心地区。此外,胡锦涛的时刻将中央时刻往往是不变的翻译、规模、旋转,帮助提取的形状特征。胡的时刻能够提取形状特征量化样本输入图像的轮廓从而产生NumPy数组形式的图像。最后,平操作趋于平缓NumPy阵列产生的形状特征向量。

3.5。分类

在这项研究中,支持向量机(SVM)和 - - - - - -最近邻(资讯)用于分类健康和脱发areatahair图像准确的类。图6描述了我们的框架的体系结构,包括培训和测试阶段。最初的步骤框架中关心的是图像预处理和特征提取。这是紧随其后的是模型训练和机器学习算法,然后执行测试阶段。

3.6。数学运算的分类器

3.6.1。支持向量机的数学运算

支持向量机(SVM)决定了线性和非线性可分性的帮助下一个超平面31日]。其内核方法将二维非线性可分的数据转换为高维产量最优分离超平面数据(32]。内核技巧雇佣一个内核函数的乘法与点积所代表的

在这项研究中,径向基函数(RBF)被用作核函数。它也被称为高斯内核和包含一个参数见以下方程:

操作。数学运算的资讯

的 - - - - - -最近邻算法属于找到最近的邻居。这个过程包括找到最近的点,谎言接近输入点在一个给定的数据集33]。在这项研究中,邻居们被指定为三表示,对于每一个新的输入数据,这三个最亲密的邻居将评估分类。最初的算法分析了欧氏距离,将数据转换成数学价值观。

在方程(欧几里德距离公式7)发现两个点之间的距离在一个平面坐标( )和( )。

3.7。SPSS分析

配对样本 - - - - - -测试执行通过社会科学统计软件包(SPSS), IBM SPSS统计为Windows 22.0版。纽约阿蒙克:IBM公司,在精度上生成的SVM和资讯。算法的精度样本数量是三十。

4所示。结果和评价

4.1。绩效评估

支持向量机(SVM)的性能评价 - - - - - -最近邻(资讯)评估使用混淆矩阵。混淆矩阵在图展出7演示了两个类的预测结果。斑秃和健康的头发,两个类,分别是用0和1。当实际值是1,预测值也1,那么结果是真阳性(TP);否则,结果是假阴性(FN)。相反,当实际值为0和预测价值也是0,那么结果是真阴性(TN);否则,假阳性(FP)生成。

图8展品的混淆矩阵制定后,应用支持向量机(SVM)和代表的81图像测试,74图像分类准确,因此收益率91.4%的准确性。22图像分类为斑秃,52图像分为健康的头发。

图9展览后产生的混淆矩阵的应用 - - - - - -最近邻(资讯)和显示总数的81图像测试,72图像分类准确,因此收益率88.9%的准确性。24个图片被归类为斑秃,48图像分为健康的头发。报告精度达到10倍交叉验证后。

支持向量机的性能和分类结果和资讯如表所示2。SVM和资讯的准确性可以计算出真正的分类图像的数量除以总数测试图像和相乘的结果与100年表达以下方程:


ML算法	测试的图片	真正的分类	验证	%的准确性

支持向量机	81年	74年	10倍	91.4
然而,	81年	72年	10倍	88.9

方程(9)演示了通过SPSS分析获得的结果。

4.2。性能指标

Python的sklearn图书馆有助于计算真阳性和假阳性和真正的阴性和假阴性34]。分类技术封装分类指标,即精度、召回和F1的分数。精度与精确分类器的能力,即。,its capacity to not to mark a positive circumstance that is actually negative. Recall is the ability of a classifier to identify all the true positives. Recall can be defined for each class as the ratio of true positives to the summation of true positives and false negatives [35]。F1的分数可以被定义为一个分数,展品精度和召回的关系(35]。为了评估和分析的有效性分类框架,方程所示的性能指标(10),(11)和(12),包括精度、召回和F1分数了,TP真阳性,TN是真的负,FP是假阳性,FN假阴性。这些性能指标计算的值根据公式和表表示3。


ML算法	类	精度(%)	回忆(%)	F1的分数(%)

支持向量机	0	81.5	91.7	86.3
支持向量机	1	96.3	91.2	93.7
然而,	0	72.7	One hundred.	84.2
然而,	1	One hundred.	84.2	91.4

5。讨论

5.1。主要研究结果

本研究的目标是提取颜色、纹理和形状特性从健康和斑秃的头发图像并应用机器学习算法包括支持向量机(SVM)和 - - - - - -最近邻(资讯)执行分类的图像。支持向量机可以通过线性和非线性分类数据生成一条线或一个超平面31日]。我们研究RBF核函数方法用于艾滋病转换数据收益率最优超平面,进而生成更高的精度。相反,然而,使用欧氏距离函数计算的概率接近的测试输入数据点(36]。我们的研究展示了更好的性能,支持向量机相比,然而当头发图像分类到健康与斑秃。

其他系统使用相同的机器学习技术也表明更高的精度。例如,皮肤损害基于支持向量机(SVM)分类系统 - - - - - -最近邻(资讯)导致精度89.50%和82.00%的支持向量机(SVM)和 - - - - - -最近邻,分别37]。在另一项研究中,dermoscopic图像用于皮肤癌的分类使用支持向量机(SVM), - - - - - -最近邻(资讯)和随机森林。结果表明,支持向量机(SVM)表现好于其他两个分类器(38]。更好的性能,支持向量机(SVM)在于其数学运算。因此,它可以推断的准确性越高91.4%,支持向量机(SVM)是由于使用核函数将数据转换到更高的维度和产量最优超平面。

我们建议的框架的力量在于第一的斑秃和健康的头发使用头发图像进行分类。这项研究的限制包括应用机器学习(ML)技术在有限数据集没有临床数据被收集。然而,它已被广泛观察到深度学习技术,如卷积神经网络(CNN)倾向于生成高精度(39]。此外,深度学习应用程序不包括图像预处理和特征提取39,40]。头皮一个智能分析系统,提出了采用卷积神经网络(CNN),和结果表现出89.77%的准确性18]。因此,未来的工作可以使用CNN进行,这样可以实现更好的分类性能。

6。结论

本研究提出一个分类框架,健康的头发和斑秃使用头发图像特征包括颜色、纹理和形状被提取和支持向量机(SVM)和 - - - - - -最近邻(资讯)被应用。支持向量机(SVM)的应用 - - - - - -最近邻(资讯的准确性为91.4%和88.9%,分别。这些精度展览提出分类框架被发现是成功的和健壮的分类两组不同的头发图片。然而,未来的工作与深度学习技术,如卷积神经网络(CNN)也可以与现有系统集成。

数据可用性

使用的数据集可以在以下链接:(1)http://projects.i-ctm.eu/it/progetto/figaro-1k和(2)https://www.kaggle.com/shubhamgoel27/dermnet。

的利益冲突

作者在本研究无利益冲突。

引用

n . s . Sadick”新一代治疗男性脱发的治疗,”皮肤诊所,36卷,不。1,第67 - 63页,2018。视图:出版商的网站|谷歌学术搜索
c·h·普拉特·l·e·王,a·g·信使,a . m . global和j·p·桑德博格,“斑秃”,自然评论疾病引物,3卷,不。1,1卷,2017页。视图:谷歌学术搜索
Alshahrani〇〇r . Al-Tuwaijri z, a . Abuoliat m . Alyabsi AlJasser,和r . Alkhodair”患病率和临床特点的斑秃在沙特阿拉伯、三级保健中心”皮肤医学研究与实践卷,2020篇文章ID 7194270, 4页,2020。视图:出版商的网站|谷歌学术搜索
a . Sterkens j·兰伯特,a . Bervoets“斑秃:回顾诊断、免疫发病机理和治疗方案,“临床和实验医学,21卷,不。2、215 - 230年,2021页。视图:出版商的网站|谷歌学术搜索
t . Simakou j.p.屠夫,s•里德和f . l .第24位“斑秃:多因子的自身免疫性疾病,”自身免疫杂志卷,98年,第85 - 74页,2019年。视图:出版商的网站|谷歌学术搜索
n . Meah d墙,k .纽约et al .,”专家的斑秃共识(ACE)研究第二部分:结果的国际专家意见对诊断和实验室评价斑秃,”美国皮肤病学会杂志》上,卷84,不。6,1594 - 1601年,2021页。视图:出版商的网站|谷歌学术搜索
h·沙利”,介绍机器学习”环面1-Toward开放资源使用服务:云计算环境数据,页61 - 74年,威利的在线图书馆,2020年。视图:谷歌学术搜索
g . Mathiyalagan d . Devaraj,“基于机器学习的分类方法的脑胶质瘤肿瘤检测,”国际期刊的成像系统和技术31卷,第1436 - 1424页,2021年。视图:出版商的网站|谷歌学术搜索
军刀,m . Sakr o . m . Abo-Seida A . Keshk h·陈,“小说深度学习模型使用transfer-learning乳腺癌的自动检测和分类技术,”IEEE访问9卷,第71209 - 71194页,2021年。视图:出版商的网站|谷歌学术搜索
z曰,c .太阳,f . Chen等人“基于机器学习填词光谱分析人类血浆允许卵巢癌诊断,”生物医学光学表达,12卷,不。5,2559 - 2574年,2021页。视图:出版商的网站|谷歌学术搜索
赵,p . Wang a . a . Heidari对伊朗伊斯兰共和国通讯社表示,“与扩散协会黏菌多级阈值图像分割算法和Renyi熵的慢性阻塞性肺疾病,”计算机在生物学和医学第104427条,卷。134年,2021年。视图:出版商的网站|谷歌学术搜索
r . Pangti j . Mathur诉Chouhan et al .,“基于机器学习、决策支持、手机应用程序常见的皮肤疾病的诊断,“欧洲皮肤病与性病学学会杂志》上,35卷,不。2、536 - 545年,2021页。视图:出版商的网站|谷歌学术搜索
h . p . Wu, x Cai et al .,“一个有效的机器学习方法识别不重的和严重的冠状病毒疾病2019例在中国农村人口:温州回顾性研究中,“IEEE访问9卷,第45503 - 45486页,2021年。视图:出版商的网站|谷歌学术搜索
美国搜索引擎优化和j .公园”,斑秃的毛发检查:脱发特征提取和计算使用网格线选择和特征值,“计算和数学方法在医学卷,2020篇文章ID 6908018、9页,2020。视图:出版商的网站|谷歌学术搜索
即卡普尔和a . Mishra”自动分类方法的早期诊断脱发使用机器学习,”Procedia计算机科学卷,132年,第443 - 437页,2018年。视图:出版商的网站|谷歌学术搜索
易卜拉欣,z . a .努尔Azmy: n .阿布Mangshor n .萨a·f·艾哈迈德Fadzil和z Ahmad”Pre-trained头皮使用图像处理条件,分类”印尼的电气工程和计算机科学杂志》上,20卷,不。1,第144 - 138页,2020。视图:出版商的网站|谷歌学术搜索
e·贝尔纳迪和l . Castelo-Soccio”量化斑秃通过纹理分析自动化盐得分计算,”皮肤病学研究研讨会论文集》杂志上,19卷,不。1,S34-S40, 2018页。视图:出版商的网站|谷歌学术搜索
观测。王,L.-B。陈,W.-J。常,“机器学习技术的开发和实验评估智能毛头皮检测系统,”应用科学,8卷,不。6、2018。视图:出版商的网站|谷歌学术搜索
Dubey k、v .斯利瓦斯塔瓦和d·s·梅塔”Automatedin vivoidentification头皮真菌感染对人类使用光学相干断层扫描和机器学习,”激光物理,28卷,不。4、第045602条,2018年。视图:出版商的网站|谷歌学术搜索
工程学系。李和c。杨”,一个聪明的头发和头皮使用相机传感器和Norwood-Hamilton模型,分析系统”国际期刊创新计算的信息和控制,14卷,不。2、503 - 518年,2018页。视图:谷歌学术搜索
r·霍夫曼“TrichoScan:小说的头发生长的分析工具在活的有机体内”,皮肤病学研究研讨会论文集》杂志上,8卷,不。1,第115 - 109页,2003。视图:出版商的网站|谷歌学术搜索
答:凡、k . r . Kalantari和a . Babaei“脱发使用人工神经网络诊断,”国际计算机科学杂志》上的问题(IJCSI),9卷,不。5,2012。视图:谷歌学术搜索
h·施”,头发一个精确的自动系统评估在护发诊断应用程序中,“皮肤研究和技术,21卷,不。4、500 - 507年,2015页。视图:出版商的网站|谷歌学术搜索
m . Svanera r·穆罕默德,r . Leonardi和s . Benini“费加罗,头发在野外检测和分割,”2016年IEEE国际会议上图像处理(ICIP)凤凰城,页933 - 937年,阿兹,美国,2016年。视图:出版商的网站|谷歌学术搜索
t . a .夏川里美n . Sultana和m . f . a . Foysal”Derm-NN:皮肤病检测使用卷积神经网络,”2020年第四届国际会议上智能计算和控制系统(ICICCS)马杜赖,页1205 - 1209年,印度,2020。视图:出版商的网站|谷歌学术搜索
a . Gholamy诉Kreinovich o . Kosheleva,“为什么70/30或80/20训练集和测试集之间的关系:一个教育的解释,“技术代表、技术报告:UTEP-CS-18-09, 2018。视图:谷歌学术搜索
p . k . Verma n p·辛格(manmohan Singh)和d Yadav,“图像增强:一个评论,”环境通信和计算机系统施普林格,页347 - 355年,2020年。视图:出版商的网站|谷歌学术搜索
h·辛格(manmohan Singh)实用机器学习和图像处理施普林格,2019年。
答:巴厘岛和辛格、“回顾图像分割的策略和技巧,”2015年第五届国际会议上先进的计算机和通信技术哈里亚纳邦,页113 - 120年,印度,2015。视图:出版商的网站|谷歌学术搜索
s . c . Shekar和d·拉维图像增强和压缩使用边缘检测技术”,国际研究杂志》上的工程和技术(IRJET),4卷,不。5,2017。视图:谷歌学术搜索
r·廖支持向量机CSC 2015。
k .日本田岛y Hirohashi, e·r·r·Zara和t·加藤,“Frank-Wolfe SVM-type多媒体学习分类器的算法,”数据挖掘学报2021年暹罗国际会议(SDM)440年,页432 -费城,宾夕法尼亚州,美国,2021年。视图:谷歌学术搜索
L.-Y。胡,硕士。黄,S.-W。柯,张炳扬。蔡,“距离函数影响医疗数据集,再分类”Springerplus,5卷,不。1、1 - 9,2016页。视图:谷歌学术搜索
r . Garreta和g . Moncecchi在Python中学习Scikit-Learn:机器学习Packt出版有限公司,2013年。
j . Brownlee机器学习掌握Python:了解你的数据,建立精确的模型,和工作项目端到端,2016年机器学习掌握。
资讯分类,张,“挑战”IEEE工程知识和数据33卷,2021年。视图:出版商的网站|谷歌学术搜索
m . Koklu和中情局Ozkan”,皮肤损害分类使用机器学习算法,”国际智能系统和应用程序在工程杂志》上,4卷,不。5,285 - 289年,2017页。视图:出版商的网站|谷歌学术搜索
a .基于s . a . h . Nair, k . s . Kumar“检测使用SVM的皮肤癌,随机森林和资讯分类器,”医疗系统杂志,43卷,不。8、1 - 9,2019页。视图:出版商的网站|谷歌学术搜索
j·艾哈迈德·h·法曼和z 1月,“深度学习和应用方法,”深度学习:收敛到大数据分析页,31-42施普林格,2019年。视图:谷歌学术搜索
b . m . l . Peng Peng辽、黄g . w . Li和d·谢”的进展和挑战深度学习应用在生物大数据处理,”目前的生物信息学,13卷,不。4、352 - 359年,2018页。视图:出版商的网站|谷歌学术搜索

计算和数学方法在医学