A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Comparison of Machine Learning Methods in Stochastic Skin Optical Model Inversion (2020)

Annala, L., Äyrämö, S., & Pölönen, I. (2020). Comparison of Machine Learning Methods in Stochastic Skin Optical Model Inversion. Applied Sciences, 10(20), Article 7097. https://doi.org/10.3390/app10207097

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Annala, Leevi; Äyrämö, Sami; Pölönen, Ilkka

Lehti tai sarja: Applied Sciences

eISSN: 2076-3417

Julkaisuvuosi: 2020

Ilmestymispäivä: 13.10.2020

Volyymi: 10

Lehden numero: 20

Artikkelinumero: 7097

Kustantaja: MDPI AG

Julkaisumaa: Sveitsi

Julkaisun kieli: englanti

DOI: https://doi.org/10.3390/app10207097

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/72408

Tiivistelmä

In this study, we compare six different machine learning methods in the inversion of a stochastic model for light propagation in layered media, and use the inverse models to estimate four parameters of the skin from the simulated data: melanin concentration, hemoglobin volume fraction, and thicknesses of epidermis and dermis. The aim of this study is to determine the best methods for stochastic model inversion in order to improve current methods in skin related cancer diagnostics and in the future develop a non-invasive way to measure the physical parameters of the skin based partially on the results of the study. Of the compared methods, which are convolutional neural network, multi-layer perceptron, lasso, stochastic gradient descent, and linear support vector machine regressors, we find the convolutional neural network to be the most accurate in the inversion task.

YSO-asiasanat: spektrikuvaus; kuvantaminen; koneoppiminen; neuroverkot; ihosyöpä; diagnostiikka

Vapaat asiasanat:  skin; physical parameter retrieval; convolutional neural network; model inversion

Liittyvät organisaatiot

Hankkeet, joissa julkaisu on tehty

OKM-raportointi: Kyllä

Raportointivuosi: 2020

JUFO-taso: 1