一种用于皮肤病变分割与分类的新型多任务深度学习模型
计算机视觉与模式识别
2017-03-06 v1
摘要
在本研究中,提出了一种用于皮肤病变分析的多任务深度神经网络。所提出的多任务学习模型通过利用不同任务之间的共性与差异,同时求解不同的任务(例如,病变分割和两个独立的二值病变分类)。与单独训练各个模型相比,这提高了特定任务模型的学习效率和潜在的预测准确率。所提出的多任务深度学习模型在国际皮肤影像协作(ISIC)2017 挑战赛——面向黑色素瘤检测的皮肤病变分析——的皮肤镜图像集上进行了训练和评估,该数据集包含 2000 个训练样本和 150 个评估样本。实验结果表明,所提出的多任务深度学习模型在皮肤病变分割和分类上取得了有前景的性能。病变分割的 Jaccard 指数平均值为 0.724,而在两个独立的病变分类任务上,受试者工作特征曲线下面积(AUC)的平均值分别为 0.880 和 0.972。
引用
@article{arxiv.1703.01025,
title = {A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification},
author = {Xulei Yang and Zeng Zeng and Si Yong Yeo and Colin Tan and Hong Liang Tey and Yi Su},
journal= {arXiv preprint arXiv:1703.01025},
year = {2017}
}
备注
Submission to support ISIC 2017 challenge results