缓解域偏移对皮肤病变分类的影响：皮肤镜图像上无监督域适应方法的基准研究
计算机视觉与模式识别
2023-10-06 v1
摘要
深度神经网络在皮肤病变分类中的潜力已被证明与皮肤科医生诊断相当甚至更优。然而，当测试数据与训练数据显著不同时（即域偏移），这些模型的性能通常会下降。对于旨在用于真实世界皮肤病变分类任务的模型而言，这一令人担忧的局限给患者带来风险。例如，不同的图像采集系统或患者先前未见过的解剖部位都足以引起此类域偏移。因此，减轻此类偏移的负面影响至关重要，但开发有效方法来应对域偏移已被证明具有挑战性。在本研究中，我们对八种不同的无监督域适应方法进行了深入分析，以分析它们在改善皮肤镜数据集泛化能力方面的有效性。为确保研究结果的鲁棒性，我们在总共十个不同数据集上测试每种方法，从而覆盖多种可能的域偏移。此外，我们研究了域偏移数据集中哪些因素会影响域适应方法的有效性。我们的结果表明，所有八种域适应方法在绝大多数被分析数据集上均提升了 AUPRC。总之，这些结果说明，无论域偏移的性质如何，无监督域适应通常能为二元黑色素瘤-痣分类任务带来性能提升。然而，由于这些因素的影响，小型或高度不平衡的数据集会导致结果的一致性降低。
引用
@article{arxiv.2310.03432,
title = {Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images},
author = {Sireesha Chamarthi and Katharina Fogelberg and Roman C. Maron and Titus J. Brinker and Julia Niebling},
journal= {arXiv preprint arXiv:2310.03432},
year = {2023}
}