从皮肤图像预测皮肤皮损 Elevation 以改善诊断
计算机视觉与模式识别
2024-08-07 v1
摘要
虽然深度学习方法的计算机辅助诊断正在接近皮肤皮损图像分析中皮肤科医生的水平，但有几项工作表明，Incorporating 额外特征如形状先验、纹理、色彩恒定性和照明进一步提高了皮肤皮损诊断性能。在本工作中，我们关注另一种临床有用特征——皮肤皮损 Elevation——并研究从预测和利用皮肤皮损 Elevation 标签的可行性。具体而言，我们使用深度学习模型从 2D 皮肤皮损图像预测图像级别的皮肤皮损 Elevation 标签。我们在 derm7pt 数据集上测试了 Elevation 预测准确率，并使用 Elevation 预测模型为来自五个其他数据集的图像估计 Elevation 标签：ISIC 2016、2017 和 2018 挑战数据集、MSK 和 DermoFit。我们通过使用这些估计的 Elevation 标签作为诊断模型的辅助输入来评估跨域泛化，并表明这些方法会提高分类性能，dermoscopic 临床图像分别 实现了最高可达 6.29% 和 2.69% 的 AUROC 提升。代码可在 https://github.com/sfu-mial/LesionElevation 获取。
关键词
引用
@article{arxiv.2408.02792,
title = {Lesion Elevation Prediction from Skin Images Improves Diagnosis},
author = {Kumar Abhishek and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:2408.02792},
year = {2024}
}
备注
Medical Image Computing and Computer-Assisted Intervention (MICCAI) ISIC Skin Image Analysis Workshop (MICCAI ISIC) 2024; 12 pages, 2 tables, 4 figures