基于临床与皮肤镜图像数据集的暹罗神经网络皮肤癌分类与新类检测
计算机视觉与模式识别
2022-12-13 v1
摘要
皮肤癌是世界上最常见的恶性肿瘤。自动化皮肤癌检测将显著提高早期检出率并挽救生命。为此，已发布若干可用于训练深度学习系统的数据集——它们在分类上取得了令人印象深刻的成果。然而，这仅适用于其所训练的类别，而无法识别来自先前未见类别的皮肤病变，使其不利于临床应用。我们或可大幅扩充数据集以涵盖所有可能的皮肤病变，但这总会遗漏某些类别。相反，我们评估了暹罗神经网络（SNNs），其不仅允许我们对皮肤病变图像进行分类，还允许识别那些不同于已训练类别的图像——使我们能判定某图像并非训练类别的实例。我们在皮肤病变的皮肤镜与临床图像上评估 SNNs。我们在临床和皮肤镜数据集上分别获得了 74.33% 和 85.61% 的 top-1 分类准确率。尽管略低于 SOTA 结果，SNN 方法的优势在于可检测类外样本。我们的结果凸显了 SNN 方法的潜力及未来临床部署的路径。
引用
@article{arxiv.2212.06130,
title = {Siamese Neural Networks for Skin Cancer Classification and New Class Detection using Clinical and Dermoscopic Image Datasets},
author = {Michael Luke Battle and Amir Atapour-Abarghouei and Andrew Stephen McGough},
journal= {arXiv preprint arXiv:2212.06130},
year = {2022}
}
备注
10 pages, 5 figures, 5 tables