基于学习的皮肤色素瘤检测的超像素集合与层次图
计算机视觉与模式识别
2026-04-07 v1 人工智能
机器学习
摘要
图信号处理(GSP)正逐渐成为生物医学信号和图像分析的主要工具。在大多数GSP技术中，图结构和边权值通常通过统计和计算方法进行设置。更近期，图结构学习方法提供了更可靠和灵活的数据表示。在本工作中，我们引入了一种用于皮肤色素瘤检测的图学习方法，基于两种图论表示：超像素集合图(SEG)和超像素层次图(SHG)。对于这两种类型的图，分别在有和没有相邻层次之间父子约束的条件下生成皮肤皮损图像的多个层次的超像素图，其中每个层次对应于具有不同节点数(20、40、60、80或100个节点)的子图。探索了两种边权赋值技术：手工制作的高斯权值和基于优化方法的学习权值。图节点信号基于纹理、几何和颜色超像素特征进行赋值。此外，还通过对最弱边进行不同阈值(25%、50%和75%)的裁剪来研究图边阈值的效果，对裁剪对皮肤色素瘤检测性能的影响进行分析。对所提出方法的实验评估是在公开可用的ISIC2017数据集上进行的。应用数据增强以通过添加来自ISIC档案案的更多黑色素瘤图像来缓解类别不平衡。结果表明，基于纹理节点信号的学习超像素集合图性能最高，达到99.00%的准确率和99.59%的AUC。
引用
@article{arxiv.2604.03710,
title = {Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection},
author = {Asmaa M. Elwer and Muhammad A. Rushdi and Mahmoud H. Annaby},
journal= {arXiv preprint arXiv:2604.03710},
year = {2026}
}