提升黑色素瘤诊断置信度：迫使卷积网络从病灶中学习
计算机视觉与模式识别
2023-05-17 v1
摘要
基于卷积网络架构实现的深度学习可以超过专家的诊断准确率。然而，在给定数据集上训练的整体图像深度学习可能无法泛化到其他数据集。该问题源于病灶外特征——标尺标记、墨水标记以及其他黑色素瘤相关特征——可能作为信息泄漏。这些可通过热图发现的病灶外特征会降低黑色素瘤诊断性能，并导致在一个数据集上学习到的技术无法泛化。我们提出一种新技术，通过 EfficientNet 模型改善黑色素瘤识别。该模型训练网络检测病灶并从检测到的病灶中学习特征。我们开发了一种通用的病灶椭圆分割模型，以椭圆包围病灶、椭圆再被扩展矩形（边界框）包围。最小边界框扩展 20% 以保留病灶周围部分背景。使用公开可用的 International Skin Imaging Collaboration (ISIC) 2020 皮肤病灶图像数据集评估所提方法的有效性。我们的测试结果表明，所提方法将平均受试者工作特征曲线下面积（mean AUC）得分从 0.9 提高到 0.922，从而提升了诊断准确率。此外，正确诊断得分也得到改善，提供了更好的得分分离度，进而增加了黑色素瘤诊断置信度。所提聚焦病灶的卷积技术值得进一步研究。
引用
@article{arxiv.2305.09542,
title = {Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion},
author = {Norsang Lama and R. Joe Stanley and Anand Nambisan and Akanksha Maurya and Jason Hagerty and William V. Stoecker},
journal= {arXiv preprint arXiv:2305.09542},
year = {2023}
}
备注
6 pages, 5 figures