基于迁移学习的皮肤病变分类中图像分辨率的探究与利用
计算机视觉与模式识别
2020-06-29 v1
摘要
皮肤癌是最常见的癌症类型之一。与裸眼检查相比，皮肤镜图像分析提高了对恶性黑色素瘤及其他色素性皮肤病变的检测诊断准确率。因此，支持医学专家诊断流程的计算机方法备受关注。微调预训练卷积神经网络（CNNs）已被证明对皮肤病变分类效果良好。预训练 CNN 通常用固定图像尺寸的自然图像训练，该尺寸通常显著小于所捕获的皮肤病变图像，因此皮肤镜图像在微调时被下采样。然而，此变换过程中可能有用医学信息丢失。本文中，我们探究输入图像尺寸对微调 CNN 皮肤病变分类性能的影响。为此，我们将皮肤镜图像调整为从 64x64 到 768x768 像素的不同分辨率，并研究三种成熟 CNN（即 DenseNet-121、ResNet-18 和 ResNet-50）相应的分类性能。我们的结果显示，使用极小图像（64x64 像素）会降低分类性能，而 128x128 像素及以上图像可支持良好性能，较大图像尺寸带来轻微提升。我们进一步提出一种基于三级集成策略的新颖融合方法，利用以多种尺寸皮肤镜图像训练得到的多个微调网络。应用于 ISIC 2017 皮肤病变分类挑战时，我们的融合方法对黑色素瘤分类和脂溢性角化病分类分别取得受试者工作特征曲线下面积 89.2% 与 96.6%，优于当前最优算法。
引用
@article{arxiv.2006.14715,
title = {Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification},
author = {Amirreza Mahbod and Gerald Schaefer and Chunliang Wang and Rupert Ecker and Georg Dorffner and Isabella Ellinger},
journal= {arXiv preprint arXiv:2006.14715},
year = {2020}
}
备注
Accepted for the 25th International Conference on Pattern Recognition (ICPR 2020)