基于众包特征的多任务集成提升皮肤病变诊断
人机交互
2020-07-08 v2 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
机器学习公认需要大量标注数据。由于专家标注成本高昂,众包(即请非专家标注或勾画图像)已被提议作为一种替代方案。尽管已有诸多可喜结果报道,诊断性众包标签的质量仍不明确。我们提议通过改而向众包人群询问图像的视觉特征(可更直观地提供),并在多任务学习框架中通过集成策略使用这些特征来解决此问题。我们将所提方法与来自 ISIC 2017 挑战数据集的一组 2000 张皮肤病变的基线模型进行比较。基线模型仅从皮肤病变图像预测二值标签,而我们的多任务模型还预测以下特征之一:病变不对称性、边界不规则性与颜色。我们表明,带有单独众包特征的多任务模型对模型影响有限,但当以集成方式组合时,可带来泛化性能的提升。基线模型的受试者工作特征曲线下面积为 0.794,而多任务集成分别为 0.811 和 0.808。最后,我们讨论发现,指出若干局限并建议进一步研究方向。模型代码见 https://github.com/raumannsr/hints_crowd。
引用
@article{arxiv.2004.14745,
title = {Multi-task Ensembles with Crowdsourced Features Improve Skin Lesion Diagnosis},
author = {Ralf Raumanns and Elif K Contar and Gerard Schouten and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2004.14745},
year = {2020}
}