面向皮肤病变分类的不平衡小数据集上的单模型深度学习
计算机视觉与模式识别
2022-02-14 v2 机器学习
摘要
深度卷积神经网络（DCNN）模型已被广泛探索用于皮肤病诊断，其中一些模型取得了可与甚至优于皮肤科医生相媲美的诊断结果。然而，DCNN 在皮肤病检测中的广泛实施受到公开可获取的皮肤病变数据集规模小且数据不平衡的阻碍。本文提出了一种基于单模型的新策略，用于在小而失衡的数据集上分类皮肤病变。首先，在不同的小而不平衡数据集上训练多种 DCNN，以验证中等复杂度的模型优于更大模型。其次，加入正则化 DropOut 和 DropBlock 以减少过拟合，并提出了一种改进的 RandAugment 增强策略，以应对小数据集中样本代表性不足的缺陷。最后，引入了一种新颖的多加权新损失（MWNL）函数和端到端累积学习策略（CLS），以克服样本量不均和分类难度的挑战，并降低异常样本对训练的影响。通过结合改进的 RandAugment、MWNL 和 CLS，我们的单 DCNN 模型方法在不同皮肤镜图像数据集上取得了可与甚至优于多个集成模型的分类准确率。我们的研究表明，该方法能够以较低的计算资源和推理时间成本实现高分类性能，有望在移动设备中部署，用于低资源环境下皮肤病变及许多其他恶性肿瘤的自动筛查。
引用
@article{arxiv.2102.01284,
title = {Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion Classification},
author = {Peng Yao and Shuwei Shen and Mengjuan Xu and Peng Liu and Fan Zhang and Jinyu Xing and Pengfei Shao and Benjamin Kaffenberger and Ronald X. Xu},
journal= {arXiv preprint arXiv:2102.01284},
year = {2022}
}