基于对抗训练与深度迁移学习的黑色素瘤检测

皮肤病变数据集主要由正常样本组成，仅含很小比例的异常样本，从而引发了类不平衡问题。此外，由于类间差异低，皮肤病变图像在整体外观上高度相似。本文提出一种两阶段框架，利用对抗训练与迁移学习对皮肤病变图像进行自动分类以实现黑色素瘤检测。在第一阶段，我们利用数据分布的类间差异，通过无配对图像到图像翻译学习类间映射，并从过表示类样本合成欠表示类样本，完成条件图像合成任务。在第二阶段，我们使用原始训练集与 newly 合成的欠表示类样本相结合来训练深度卷积神经网络以进行皮肤病变分类。该分类器的训练通过最小化 focal loss 函数实现，该函数有助于模型从困难样本中学习，同时降低简单样本的权重。在皮肤病学图像基准上的实验表明，我们提出的方法优于多种标准基线方法，取得了显著的性能提升。有趣的是，我们通过特征可视化与分析表明，我们的方法可实现基于上下文的病变评估，达到专家皮肤科医生水平。