皮肤镜暗角伪影去除：助力还是干扰？
计算机视觉与模式识别
2023-12-27 v1
摘要
皮肤癌分类中一个较为显著的障碍是伪影的存在。本文研究了因使用皮肤镜而产生的暗角伪影对深度学习二分类任务性能的影响。先前的研究尝试去除并修复暗角伪影，意在为模型创造理想条件。然而，由于缺乏标注暗角伪影的可用数据集以及详细的分析与讨论，此类研究被证明是不确定的。为解决这些问题，我们从公开数据集中标注了 10,250 张皮肤病变图像，并引入了一个包含等量黑色素瘤与非黑色素瘤病例的平衡数据集。训练集包含 6126 张无伪影图像，测试集包含 4124 张带暗角伪影图像。我们进行了三项实验，以就暗角伪影（包括修复后的和合成生成的样本）对深度学习方法的影响提供新的理解。我们的结果表明，将叠加到训练集上的合成暗角伪影引入其中提升了模型性能，尤其在真负率方面。这表明，当训练集中引入暗角伪影时，深度学习学会了忽略暗角伪影，而非将其视为黑色素瘤。此外，我们提出了一种利用热图不同区域亮度强度的均方根度量来量化指示网络关注区域的热图的新方法。本文为皮肤病变分析提供了新指南，并强调可复现性。
引用
@article{arxiv.2306.13446,
title = {Dermoscopic Dark Corner Artifacts Removal: Friend or Foe?},
author = {Samuel William Pewton and Bill Cassidy and Connah Kendrick and Moi Hoon Yap},
journal= {arXiv preprint arXiv:2306.13446},
year = {2023}
}