最小化黑色素瘤检测中的假阴性率并提供分类原因洞察
计算机视觉与模式识别
2021-03-10 v3 机器学习
图像与视频处理
摘要
我们的目标是在黑色素瘤检测中桥接人类与机器智能。我们开发了一种分类系统，利用视觉预处理、深度学习和集成的组合，为专家提供解释，并在保持高准确率的同时最小化黑色素瘤检测的假阴性率。源图像首先使用 U-net CNN 自动分割。然后将分割结果用于提取与人类评估相关的图像子区域和特定参数，即中心、边界和不对称度量。这些数据随后由包含结构搜索算法的定制神经网络处理。部分结果随后由委员会机器集成。我们在当今公开可用的最大皮肤病变数据集 ISIC-2019 上的评估显示，相对于仅使用原始图像的基线，所有评估指标均有改善。我们还表明，由特征分类器计算出的指示性分数可以为决策所依据的各种特征提供有用的洞察。
引用
@article{arxiv.2102.09199,
title = {Minimizing false negative rate in melanoma detection and providing insight into the causes of classification},
author = {Ellák Somfai and Benjámin Baffy and Kristian Fenech and Changlu Guo and Rita Hosszú and Dorina Korózs and Fabrizio Nunnari and Marcell Pólik and Daniel Sonntag and Attila Ulbert and András Lőrincz},
journal= {arXiv preprint arXiv:2102.09199},
year = {2021}
}
备注
supplementary materials included