深度学习与机器学习模型及框架在皮肤病变分类中的比较

Soham Bhosale

深度学习与机器学习模型及框架在皮肤病变分类中的比较

图像与视频处理 2022-07-27 v1 计算机视觉与模式识别

作者: Soham Bhosale

摘要

全球皮肤癌发病率持续上升,已成为一个严重问题。早期诊断是大幅减少该疾病危害的潜在途径,然而传统活检是一项劳动密集且侵入性的操作。此外,许多农村社区不易前往医院,也不愿为自认为的小问题而去就医。使用机器学习和深度学习进行皮肤癌分类可提高可及性,并减少传统病变检测过程中的不适操作。这些模型可封装于网页或移动应用中,服务更广泛人群。本文在基准 HAM10000 常见皮肤病变数据集上测试了两种此类模型:采用分层 K 折验证的随机森林(Random Forest),以及 MobileNetV2(下文统称 MobileNet)。MobileNet 模型分别使用 TensorFlow 和 PyTorch 框架进行训练。此前尚未在资源受限的移动环境下,对深度学习与机器学习模型进行并列比较,也未对同一深度学习模型在不同框架下的皮肤病变诊断进行比较。结果表明,各模型在不同分类任务上表现更优:就整体召回率、准确率及恶性黑色素瘤检测而言,TensorFlow MobileNet 是更优选择;而在检测非癌性皮肤病变方面,PyTorch MobileNet 表现更好;随机森林在计算成本低且正确性适中的情况下是更优算法。

关键词

皮肤病变分类深度学习机器学习 MobileNetV2 随机森林 HAM10000 TensorFlow PyTorch

引用

@article{arxiv.2207.12715,
  title  = {Comparison of Deep Learning and Machine Learning Models and Frameworks for Skin Lesion Classification},
  author = {Soham Bhosale},
  journal= {arXiv preprint arXiv:2207.12715},
  year   = {2022}
}

备注

18 pages, 15 figures

深度学习与机器学习模型及框架在皮肤病变分类中的比较

摘要

关键词

引用

备注

相关论文