基于神经风格迁移的皮肤镜图像分类

皮肤癌是最常见的人类恶性肿瘤，主要通过皮肤镜分析、活检和组织病理学检查进行视觉诊断。然而，与其他类型的癌症不同，由于病变外观的不规则性和变异性，皮肤病变的自动图像分类被认为更具挑战性。在这项工作中，我们提出将神经风格迁移（NST）作为一种新颖的图像预处理步骤应用于皮肤病变分类问题。我们将每张皮肤镜图像表示为风格图像，并将病变的风格迁移到同质内容图像上。这将每个病变的主要变异性迁移到相同的局部区域，使我们能够将生成的图像整合在一起，并通过张量分解提取潜在的低秩风格特征。我们在从国际皮肤影像协作（ISIC）数据库收集和预处理的皮肤镜数据集上训练和交叉验证我们的模型。我们表明，基于使用风格迁移图像的提取张量特征的分类性能比原始图像显著高出 10% 以上，并且通过迁移学习与经过充分研究的预训练 CNN 模型相比也具有竞争力。此外，张量分解进一步识别出潜在的风格簇，这可能提供临床解释和见解。