基于自监督课程式深度学习的皮肤病变识别改进方法

用于皮肤病变识别的当前最优深度学习方法通常需要在更大且更多样化的数据集上进行预训练，以克服皮肤病变成像数据集规模较小所带来的泛化局限。ImageNet 常被用作预训练数据集，但其迁移潜力受到源数据集与目标皮肤镜场景之间领域差距的阻碍。在本工作中，我们提出了一种新颖的预训练方法，该方法依次训练一系列自监督学习（Self-Supervised Learning）前置任务，且仅需未标记的皮肤病变成像数据。我们给出了一种简单的方法来确定定义前置任务课程的顺序。针对多类皮肤病变分类问题及 ISIC-2019 数据集，我们提供的实验证据表明：i) 通过前置任务课程预训练的模型优于通过单个前置任务预训练的模型；ii) 通过最优前置任务课程预训练的模型优于在 ImageNet 上预训练的模型。我们证明这一性能提升源于前置任务课程使最终模型更好地将注意力集中于皮肤病变。除性能提升外，该策略相对于 ImageNet 预训练大幅减少了训练时间，这对于为特定问题定制的网络架构尤为有利。