通过深度迁移学习增强的鲁棒黑色素瘤厚度预测
图像与视频处理
2024-06-21 v1 人工智能
计算机视觉与模式识别
摘要
本研究聚焦于分析皮肤浸润图像以确定黑色素瘤的深度，这是诊断和治疗皮肤癌的关键因素。Breslow 深度，从颗粒层顶部测量到肿瘤侵入最深点，作为分期黑色素瘤和指导治疗决策的重要参数。本研究旨在通过机器学习模型，具体为深度学习，提高对黑色素瘤深度的预测，同时提供对是否存在图像特征存在性与黑色素瘤深度相关性的分析。我们使用了包括 ISIC 和私有数据集在内的各种数据集，总计 1162 张图像。数据集被组合和平衡，以确保模型训练的稳健性。本研究利用了预训练的卷积神经网络（CNNs）。结果表明，模型在先前方法方面取得了显著的改进。此外，本研究对模型的预测与实际黑色素瘤厚度之间的相关性进行了分析，发现随着厚度值的提高，相关性呈中等程度的改善。解释性方法，如通过主成分分析（PCA）进行特征可视化，表明深度特征能够区分不同深度的黑色素瘤，为数据分布和模型行为提供了洞察。总之，本研究在提升先进训练技术下分类结果的同时，提供了对数据和模型行为的详细分析，以更好地理解皮肤浸润图像与黑色素瘤厚度之间的关系。
引用
@article{arxiv.2406.13441,
title = {Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques},
author = {Miguel Nogales and Begoña Acha and Fernando Alarcón and José Pereyra and Carmen Serrano},
journal= {arXiv preprint arXiv:2406.13441},
year = {2024}
}