利用迁移学习探索卷积神经网络从皮肤病变图像诊断莱姆病
图像与视频处理
2022-02-16 v2 计算机视觉与模式识别
机器学习
摘要
莱姆病是最常见的传染性媒介传播疾病之一，在大多数病例中表现为游走性红斑（EM）皮肤病变。近期研究表明卷积神经网络（CNNs）在从图像识别皮肤病变方面表现良好。面向资源受限移动设备的轻量级 CNN 预扫描应用可帮助用户早期诊断为莱姆病，并通过适当的抗生素治疗防止转变为严重的晚期形式。此外，资源密集型的 CNN 鲁棒计算机应用可辅助非专业从业者进行准确诊断。本研究的主要目标是广泛分析 CNNs 从图像诊断莱姆病的有效性，并在考虑资源约束的情况下找出最佳 CNN 架构。首先，我们在法国克莱蒙费朗大学医院中心专家皮肤科医生的帮助下创建了一个 EM 数据集。其次，我们针对源自 VGG、ResNet、DenseNet、MobileNet、Xception、NASNet 和 EfficientNet 架构的二十三种定制 CNN 架构，在预测性能、计算复杂度和统计显著性方面对该数据集进行了基准测试。第三，为提升 CNNs 性能，我们使用了基于 ImageNet 预训练模型的自定义迁移学习，并用皮肤病变数据集 HAM10000 对 CNNs 进行了预训练。第四，为模型可解释性，我们利用梯度加权类激活映射来可视化对 CNNs 进行预测重要的输入区域。第五，我们基于预测性能和计算复杂度提供了模型选择指南。
引用
@article{arxiv.2106.14465,
title = {Exploring convolutional neural networks with transfer learning for diagnosing Lyme disease from skin lesion images},
author = {Sk Imran Hossain and Jocelyn de Goër de Herve and Md Shahriar Hassan and Delphine Martineau and Evelina Petrosyan and Violaine Corbain and Jean Beytout and Isabelle Lebert and Elisabeth Baux and Céline Cazorla and Carole Eldin and Yves Hansmann and Solene Patrat-Delon and Thierry Prazuck and Alice Raffetin and Pierre Tattevin and Gwenaël Vourc'H and Olivier Lesens and Engelbert Nguifo},
journal= {arXiv preprint arXiv:2106.14465},
year = {2022}
}