面向可解释黑色素瘤诊断的批量生成增强
计算机视觉与模式识别
2021-03-04 v1 人工智能
机器学习
摘要
尽管已有报道高度准确的黑色素瘤自动诊断技术，但由于难以获得可靠训练数据，实现能够基于医学指标提供诊断证据的系统仍是一个开放问题。本文提出批量生成增强（BPA），从有限数量的标注图像生成具有所需结构性恶性特征的高质量、多样化伪皮肤肿瘤图像作为额外训练图像。所提BPA在构建非典型色素网络（APN）特征检测器时作为一种有效的数据增强方法，而APN是黑色素瘤诊断中的关键结构。实验表明，使用BPA生成的图像进行训练，在受试者工作特征曲线下面积上将APN检测性能大幅提升了20.0个百分点，比基于CycleGAN的传统增强方法在AUC上高出11.5至13.7个百分点。
引用
@article{arxiv.2103.02198,
title = {Bulk Production Augmentation Towards Explainable Melanoma Diagnosis},
author = {Kasumi Obi and Quan Huu Cap and Noriko Umegaki-Arao and Masaru Tanaka and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:2103.02198},
year = {2021}
}
备注
IEEE EMBS Conference on Biomedical Engineering and Sciences (IECBES2020), Best Paper Award Student Category in Biomedical Imaging and Image Processing