基于神经网络输出聚类的皮肤镜图像模式自动发现用于人机交互
计算机视觉与模式识别
2023-09-18 v1 人机交互
摘要
背景：随着可用医学图像数据集规模增大，临床医生手动审查内容以提取知识变得不可行。本研究旨在创建一种自动聚类，从而实现人类可解释的模式发现。方法：来自公开HAM10000数据集（包含7种常见色素性皮肤病变诊断）的图像被切分为29420个图块，并通过k-means使用神经网络提取的图像特征进行聚类。每种诊断的最终聚类数由肘部法或平衡病变内方差与聚类数的紧致度度量选定。比较两种方法所产生的非信息聚类（定义为包含少于六个图像图块的聚类）的数量。结果：应用k-means时，最优肘部截断为每种纳入诊断平均产生24.7（95%置信区间：16.4-33）个聚类，其中包含14.9%（95%置信区间：0.8-29.0）的非信息聚类。由紧致度度量估计的最优截断产生显著更少的聚类（13.4；95%置信区间11.8-15.1；p=0.03）和更少的非信息聚类（7.5%；95%置信区间：0-19.5；p=0.017）。紧致度度量所得的大部分聚类（93.6%）可被手动映射到先前描述的皮肤镜诊断模式。结论：自动约束无监督聚类可从大型图像数据集中实现诊断相关且人类可解释视觉模式聚类的自动提取。
引用
@article{arxiv.2309.08533,
title = {Automated dermatoscopic pattern discovery by clustering neural network output for human-computer interaction},
author = {Lidia Talavera-Martinez and Philipp Tschandl},
journal= {arXiv preprint arXiv:2309.08533},
year = {2023}
}