基于中心导向无间隔三元组损失深度聚类的高度不平衡数据集皮肤病变检测

黑色素瘤是一种致命的皮肤癌，若在早期阶段诊断则可得治愈且生存率显著提升。基于学习的方法在从皮肤镜图像中检测黑色素瘤方面具有重大前景。然而，由于黑色素瘤是一种罕见疾病，现有的皮肤病变数据库良性与恶性样本数量高度不平衡。这种不平衡因多数类的统计优势给分类模型引入了显著偏差。为解决此问题，我们引入一种基于皮肤镜图像潜空间嵌入的深度聚类方法。聚类通过使用在卷积神经网络骨干图像嵌入上施加的新型中心导向无间隔三元组损失（COM-Triplet）实现。所提方法旨在形成最大分离的聚类中心，而非最小化分类误差，因此对类不平衡较不敏感。为避免对标注数据的需求，我们进一步提出基于高斯混合模型生成的伪标签来实现COM-Triplet。综合实验表明，采用COM-Triplet损失的深度聚类在有监督与无监督设定下均优于三元组损失聚类及竞争分类器。