基于CNN与目标检测模型的计算机辅助临床皮肤病诊断
图像与视频处理
2019-11-21 v1 计算机视觉与模式识别
机器学习
摘要
皮肤病是人类最常见的疾病类型之一，任何人都可能罹患，无论年龄、性别或种族。由于高度的视觉多样性，人工诊断高度依赖个人经验；且许多国家严重缺乏有经验的皮肤科医生。为缓解此问题，采用最先进（SOTA）机器学习技术的计算机辅助诊断将是一种有前景的解决方案。本文旨在理解基于卷积神经网络（CNN）方法的性能。我们首先从互联网图像构建了两个版本的皮肤病数据集：(a) Skin-10，包含10种常见皮肤病类别，共计10,218张图像；(b) Skin-100，一个更大的数据集，由19,807张100类皮肤病的图像组成。基于这些数据集，我们对若干SOTA CNN模型进行基准测试，结果表明Skin-100的准确率远低于Skin-10。随后我们实现了一种基于多个CNN模型的集成方法，在Skin-10上取得79.01%的最佳准确率，在Skin-100上取得53.54%的最佳准确率。我们还通过在Skin-10数据集中引入边界框，提出了一种基于目标检测的方法。结果表明，目标检测有助于提升某些皮肤病类别的准确率。
引用
@article{arxiv.1911.08705,
title = {Computer-Aided Clinical Skin Disease Diagnosis Using CNN and Object Detection Models},
author = {Xin He and Shihao Wang and Shaohuai Shi and Zhenheng Tang and Yuxin Wang and Zhihao Zhao and Jing Dai and Ronghao Ni and Xiaofeng Zhang and Xiaoming Liu and Zhili Wu and Wu Yu and Xiaowen Chu},
journal= {arXiv preprint arXiv:1911.08705},
year = {2019}
}
备注
KDDBHI Workshop 2019, IEEE BigData Conference