FEDD——基于扩散模型的公平、高效且多样的病灶分割与恶性分类
计算机视觉与模式识别
2023-07-24 v1
摘要
皮肤病影响全球数百万人，跨越所有种族。提升诊断可及性需要对皮肤科图像进行公平且准确的分割与分类。然而，标注医学图像的稀缺性，尤其是罕见疾病和代表性不足肤色的数据，对开发公平准确的模型提出了挑战。在本研究中，我们引入了一种用于皮肤病变分割和恶性分类的公平、高效且多样的基于扩散的框架(FEDD)。FEDD利用通过去噪扩散概率骨干学习到的语义有意义的特征嵌入，并通过线性探针处理这些嵌入，在Diverse Dermatology Images (DDI)上达到最先进的性能。在使用仅5%、10%、15%和20%标注样本时，我们的交并比分别提升了0.18、0.13、0.06和0.07。此外，在10% DDI上训练的FEDD实现了81%的恶性分类准确率，比最先进水平高出14%。我们展示了在数据受限场景下的高效率，同时为不同肤色和罕见恶性情况提供公平性能。我们新标注的DDI分割掩码和训练代码可在 https://github.com/hectorcarrion/fedd 获取。
引用
@article{arxiv.2307.11654,
title = {FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation and Malignancy Classification},
author = {Héctor Carrión and Narges Norouzi},
journal= {arXiv preprint arXiv:2307.11654},
year = {2023}
}