基于图集成学习模型利用皮肤镜与临床图像进行多标签皮肤病变分类
计算机视觉与模式识别
2023-07-06 v1
摘要
近期许多皮肤病变分析（SLA）方法聚焦于开发基于多模态的多标签分类方法，原因有二。其一是多模态数据，即临床与皮肤镜图像，可提供互补信息以获得比单模态数据更准确的结果。其二是多标签分类，即七点检查表（SPC）标准作为辅助分类任务，不仅能提升深度学习（DL）流程中黑色素瘤的诊断准确率，还能为临床医生提供更有用的功能，因其常用于皮肤科医生诊断。然而，多数方法仅关注设计更好的多模态数据融合模块；极少有方法探索利用 SPC 与皮肤病之间的标签相关性以提升性能。本研究填补了这一空白，引入图卷积网络（GCN）将各类别间先验共现作为相关矩阵注入 DL 模型用于多标签分类。然而，直接应用 GCN 在我们的实验中使性能下降；我们将其归因于医疗数据统计量样本不足场景下 GCN 泛化能力弱。我们通过提出图集成学习模型（GELN）解决该问题，其将 GCN 的预测视为融合模型预测的补充信息，并通过加权平均方案自适应融合，从而利用 GCN 的有价值信息并尽可能避免其负面影响。为评估我们的方法，我们在公开数据集上实验。结果表明我们的 GELN 能在不同数据集上持续提升分类性能，且所提方法在 SPC 与诊断分类中达到最先进性能。
引用
@article{arxiv.2307.01704,
title = {Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images},
author = {Peng Tang and Yang Nan and Tobias Lasser},
journal= {arXiv preprint arXiv:2307.01704},
year = {2023}
}
备注
Submitted to TNNLS in 1st July 2023