用于色素性皮肤病变检测的注意力驱动轻量模型

本研究提出了一种用于皮肤病变检测的轻量流程，以应对某些病变类别分布不平衡以及外观细微或非典型的挑战。该流程围绕一个轻量模型构建，利用 ghosted 特征与 DFC 注意力机制来降低计算复杂度，同时保持高性能。模型在包含各类皮肤病变的 HAM10000 数据集上训练。为处理数据集中的类别不平衡，使用了合成少数类过采样技术与多种图像增强技术。模型还结合了基于知识的损失加权技术，在类别级和实例级为损失函数分配不同权重，帮助模型聚焦于少数类与困难样本。该技术涉及在类别级和实例级两个层面对损失函数分配不同权重。通过施加恰当的损失权重，模型更多关注少数类与困难样本，从而提升其正确检测与分类不同皮肤病变的能力。模型取得了 92.4% 的准确率、84.2% 的精确率、86.9% 的召回率、85.4% 的 F1 分数，在识别良性角化样病变（BKL）和色素痣（NV）上表现尤为突出。尽管性能优越，模型的计算成本显著低于某些准确率更低的模型，使其成为准确率和效率均关键的真实应用场景的最优解。