基于神经网络的危险黑色素瘤风险分层
图像与视频处理
2023-06-13 v1 计算机视觉与模式识别
摘要
为改进恶性黑色素瘤的检测与分类，本文描述了一种基于图像的方法，在不依赖额外临床信息的情况下可达到高达0.78的AUROC值。此外，本文考虑了两个不同图像来源之间的域间隙（domain gap）的重要性，因为创建独立于高分辨率扫描仪等硬件组件的使用性十分关键。由于机器学习方法的应用中，亮度、对比度或锐度等扫描仪特有属性的改变会对预测方法的质量产生强烈的（负面）影响，本文探讨了克服该域间隙的两种途径。
引用
@article{arxiv.2306.06195,
title = {Risk stratification of malignant melanoma using neural networks},
author = {Julian Burghoff and Leonhard Ackermann and Younes Salahdine and Veronika Bram and Katharina Wunderlich and Julius Balkenhol and Thomas Dirschka and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2306.06195},
year = {2023}
}
备注
7 pages, two figures