基于深度分类特征的内容式皮肤镜图像检索的诊断准确性
计算机视觉与模式识别
2018-10-24 v1 人机交互
机器学习
摘要
背景：通过神经网络对医学图像进行自动分类可达到较高准确率，但缺乏可解释性。目的：比较使用基于内容的图像检索（CBIR）检索具有对应疾病标签的视觉相似皮肤镜图像所获得的诊断准确性，与神经网络所作预测的准确性。方法：训练一个神经网络，在分别包含 888、2750 和 16691 张图像的三个回顾性收集的图像数据集上预测皮肤镜图像的疾病类别。诊断预测基于视觉相似图像中最常出现的诊断，或基于网络 softmax 输出中 top-1 类别预测。结果指标为在相应数据集的未见测试图像上测得的预测恶性病灶的 ROC 曲线下面积（AUC）、多类准确率和平均精度均值（mAP）。结果：在三个数据集中，CBIR（评估 16 张最相似图像）的皮肤癌预测显示的 AUC 值与 softmax 预测相近（分别为 0.842、0.806 和 0.852 对比 0.830、0.810 和 0.847；所有 p 值>0.99）。类似地，CBIR 的多类准确率与 softmax 预测相当。仅在 3 个类别上训练的网络在使用 CBIR 时，相较于 softmax 预测，在具有 8 个类别的数据集上表现更好（mAP 分别为 0.184 对比 0.368 和 0.198 对比 0.403）。结论：基于神经网络特征呈现视觉相似图像，其准确性与基于 softmax 概率的卷积神经网络诊断相当。在日常临床环境中，CBIR 可能比 softmax 分类器更有助于提升临床医生的诊断准确性。
引用
@article{arxiv.1810.09487,
title = {Diagnostic Accuracy of Content Based Dermatoscopic Image Retrieval with Deep Classification Features},
author = {Philipp Tschandl and Giuseppe Argenziano and Majid Razmara and Jordan Yap},
journal= {arXiv preprint arXiv:1810.09487},
year = {2018}
}