GraphDerm：在群体图分类器中融合图像、物理尺度与元数据以用于皮损镜图像
计算机视觉与模式识别
2025-09-17 v1 人工智能
摘要
引言。皮损镜检查有助于黑色素瘤分诊，然而仅基于图像的 AI 往往忽略患者元数据（年龄、性别、部位）以及几何分析所需的物理尺度。我们提出了 GraphDerm，一个融合图像、毫米级校准和元数据以进行多类皮损镜分类的群体图框架，据我们所知，这是首次将 GNNs 应用于 ISIC 规模的皮损镜检查。方法。我们整理了 ISIC 2018/2019 数据集，合成了带有精确掩膜的标尺嵌入图像，并训练了 U-Nets (SE-ResNet-18) 用于皮损和标尺分割。通过轻量级 1D-CNN 从标尺掩膜的两点相关性中回归出每毫米像素数。从皮损掩膜中我们计算了真实尺度描述符（面积、周长、回转半径）。节点特征使用 EfficientNet-B3；边编码元数据/几何相似性（全加权或阈值化）。一个谱 GNN 执行半监督节点分类；一个仅基于图像的 ANN 作为基线。结果。标尺和皮损分割分别达到 Dice 0.904 和 0.908；尺度回归达到 MAE 1.5 px (RMSE 6.6)。该图达到 AUC 0.9812，其中使用约 25% 边的阈值化变体保持了 AUC 0.9788（相比之下，仅基于图像的基线为 0.9440）；每类 AUC 通常落在 0.97-0.99 范围内。结论。在群体图中统一校准尺度、皮损几何和元数据，在 ISIC-2019 上产生了优于仅基于图像流程的显著收益。更稀疏的图保持了接近最优的准确率，表明了高效的部署。尺度感知、基于图的 AI 是皮损镜决策支持的一个有前景的方向；未来的工作将完善学习到的边语义，并在更广泛的精选基准上进行评估。
引用
@article{arxiv.2509.12277,
title = {GraphDerm: Fusing Imaging, Physical Scale, and Metadata in a Population-Graph Classifier for Dermoscopic Lesions},
author = {Mehdi Yousefzadeh and Parsa Esfahanian and Sara Rashidifar and Hossein Salahshoor Gavalan and Negar Sadat Rafiee Tabatabaee and Saeid Gorgin and Dara Rahmati and Maryam Daneshpazhooh},
journal= {arXiv preprint arXiv:2509.12277},
year = {2025}
}