利用图卷积网络与共现监督学习皮肤疾病的鉴别诊断
计算机视觉与模式识别
2020-07-15 v1
摘要
皮肤疾病据报告为全球第四大非致命性疾病负担成因。然而，鉴于临床定义的皮肤疾病谱极为庞大以及皮肤病专业知识的短缺，及时且准确地诊断皮肤疾病仍是一项具有挑战性的任务。利用计算机视觉技术，深度学习系统已证明可有效辅助临床医生进行放射学、眼科学等领域的影像诊断。本文中，我们提出一种深度学习系统（DLS），其可利用临床图像预测皮肤疾病的鉴别诊断。我们的 DLS 在仅有不完整图像标签可用的情况下，将鉴别诊断构建为针对 80 种疾病的多标签分类任务。我们通过将分类网络与表征标签共现并有效正则化至稀疏表示的图卷积网络（GCN）相结合，来解决标签不完整问题。我们的方法在 136,462 张临床图像上得到验证，并得出结论：分类准确率极大受益于共现监督。我们的 DLS 在 12,378 张测试图像上达到 93.6% 的 top-5 准确率，并持续优于基线分类网络。
引用
@article{arxiv.2007.06666,
title = {Learning Differential Diagnosis of Skin Conditions with Co-occurrence Supervision using Graph Convolutional Networks},
author = {Junyan Wu and Hao Jiang and Xiaowei Ding and Anudeep Konda and Jin Han and Yang Zhang and Qian Li},
journal= {arXiv preprint arXiv:2007.06666},
year = {2020}
}