用于皮肤病变图像分割与分类的自学习 AI 框架
计算机视觉与模式识别
2020-01-17 v1 机器学习
图像与视频处理
摘要
图像分割与分类是模式识别的两个主要基本步骤。使用深度学习模型进行医学图像分割或分类，需要在带标注的大型图像数据集上训练。本工作所考虑的皮肤镜图像（ISIC 档案）没有病灶分割的 ground truth 信息。对该数据集进行手动标注耗时费力。为克服此问题，在两阶段深度学习算法中提出了自学习标注方案。两阶段深度学习算法由带标注方案的 U-Net 分割模型和 CNN 分类模型组成。标注方案使用 K-means 聚类算法并结合合并条件，以获得训练 U-Net 模型的初始标注信息。分类模型 ResNet-50 和 LeNet-5 在无非分割的图像数据集上训练与测试以作比较，并在带 U-Net 分割的情况下训练与测试以实施所提自学习人工智能（AI）框架。所提 AI 框架的分类结果取得了 93.8% 的训练准确率和 82.42% 的测试准确率，优于直接在输入图像上训练的两个分类模型。
引用
@article{arxiv.2001.05838,
title = {Self-Learning AI Framework for Skin Lesion Image Segmentation and Classification},
author = {Anandhanarayanan Kamalakannan and Shiva Shankar Ganesan and Govindaraj Rajamanickam},
journal= {arXiv preprint arXiv:2001.05838},
year = {2020}
}
备注
10 pages, 3 figures, 2 tables