用于皮肤病变分类的数据驱动深度监督方法

色素性、非色素性和脱色素非黑素细胞皮肤病变的自动分类近年来备受关注。然而，皮肤纹理、病变形状、脱色素对比度、光照条件等成像差异阻碍了鲁棒的特征提取，影响分类精度。本文提出一种新的深度神经网络，利用输入数据进行鲁棒特征提取。具体而言，我们分析卷积网络的行为（感受野）以确定深度监督的位置从而改进特征提取。为此，首先进行激活映射生成目标掩码，突出对分类输出生成最关键的输入区域。然后选择其逐层有效感受野与目标掩码中近似目标形状相匹配的网络层作为深度监督的焦点。在三个黑色素瘤检测数据集和两个白癜风检测数据集上利用不同类型的卷积特征提取器与分类器，验证了新方法的有效性。