Influence of activation function in deep learning for cutaneous melanoma identification
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Wpływ funkcji aktywacji w uczeniu głębokim na identyfikowanie czerniaka skóry
|
| Autorzy: | Szymczyk Adrian, Skublewska-Paszkowska Maria |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Wolumen/Tom: | 37 |
| Strony: | 492 - 499 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 7 września 2025 |
| Abstrakty: | angielski | polski |
| Malignant melanoma is an aggressive skin cancer requiring early detection for effective treatment. In this study, it is hypothesized that the choice of activation function affects the classification performance of pre-trained models in mela-noma detection, and that the optimal activation function varies across deep CNN architectures. The impact of variousactivation functions (ReLU, LeakyReLU, ELU, GELU, Swish, Mish, PReLU) on the diagnostic accuracy of ResNet152, DenseNet201, and EfficientNet-B4 models was investigated. The study was conducted using a combined ISIC dataset, comprising dermoscopic images collected between 2018 and 2020. Findings indicate EfficientNet-B4 with LeakyReLU achieved the highest accuracy of 90.5%, while DenseNet201 benefited most from ReLU (90.3%). Results confirm the influence of activation function selection, demonstrating architecture-specific optimal choices for enhanced classification. | |
| Czerniak złośliwy jest agresywnym nowotworem skóry, którego skuteczne leczenie wymaga wczesnego wykrycia. W niniejszym badaniu postawiono hipotezę, że wybór funkcji aktywacji wpływa na skuteczność klasyfikacji wstępnie wy-trenowanych modeli w wykrywaniu czerniaka oraz że optymalna funkcja aktywacji różni się w zależności od architektury głębokich sieci CNN. Zbadano wpływ różnych funkcji (ReLU, LeakyReLU, ELU, GELU, Swish, Mish, PReLU) akty-wacji na dokładność diagnostyczną modeli ResNet152, DenseNet201 i EfficientNet-B4. Badanie przeprowadzono przy użyciu połączonego zbioru danych ISIC, zawierającego obrazy dermatoskopowe zebrane w latach 2018–2020. Wyniki wskazują, że model Effi-cientNet-B4 z funkcją LeakyReLU osiągnął najwyższą dokładność wynoszącą 90,5%, natomiast model DenseNet201 uzyskał najlepsze wyniki przy użyciu funkcji ReLU (90,3%). Wyniki potwierdzają wpływ wyboru funkcji aktywacji, wykazując optymalne wybory specyficzne dla architektury w celu ulepszenia klasyfikacji. |
