基于几何模式与CNN-SVM分类的非对称病变检测
计算机视觉与模式识别
2025-07-24 v1 人工智能
摘要
在皮肤镜图像中，病变形状为皮肤病提供了重要线索。在临床实践中，非对称病变形状是诊断黑色素瘤的标准之一。首先，我们基于临床评估为未标注数据集标注了对称性信息。随后，我们提出了一种辅助技术——监督学习图像处理算法，用于分析病变形状的几何模式，帮助非专家理解非对称病变的标准。接着，我们利用预训练卷积神经网络从皮肤镜图像中提取形状、颜色和纹理特征，用于训练多类支持向量机分类器，其性能优于文献中的现有方法。在基于几何的实验中，我们对皮肤科非对称病变的检测率达到99.00%。在基于CNN的实验中，对病变形状（非对称、半对称和对称）进行分类的最佳性能为：Kappa分数94%、宏F1分数95%、加权F1分数97%。
引用
@article{arxiv.2507.17185,
title = {Asymmetric Lesion Detection with Geometric Patterns and CNN-SVM Classification},
author = {M. A. Rasel and Sameem Abdul Kareem and Zhenli Kwan and Nik Aimee Azizah Faheem and Winn Hui Han and Rebecca Kai Jan Choong and Shin Shen Yong and Unaizah Obaidellah},
journal= {arXiv preprint arXiv:2507.17185},
year = {2025}
}
备注
Accepted version. Published in Computers in Biology and Medicine, Volume 179, 2024. DOI: 10.1016/j.compbiomed.2024.108851