基于分块注意力与诊断引导损失加权的CNN皮肤病变分类
计算机视觉与模式识别
2019-05-10 v2
摘要
目的：本工作解决皮肤病变分类的两个关键问题。第一个问题是使用预训练标准架构进行图像分类时高分辨率图像的有效利用。第二个问题是真实世界多类数据集中遇到的高类别不平衡。方法：为利用高分辨率图像，我们提出一种新颖的基于分块注意力的架构，在小尺寸高分辨率分块之间提供全局上下文。我们修改了三种预训练架构并研究了分块注意力的性能。为应对类别不平衡问题，我们比较了过采样、平衡批次采样和类别特定损失加权。此外，我们提出一种新颖的诊断引导损失加权方法，其考虑了用于真值标注的方法。结果：我们的分块注意力机制优于先前方法并将平均灵敏度提高了7%。类别平衡显著改善了平均灵敏度，并且我们表明我们的诊断引导损失加权方法相较常规损失平衡将平均灵敏度提高了3%。结论：新颖的分块注意力机制可集成到预训练架构中，并在局部分块之间提供全局上下文，同时优于其他基于分块的方法。因此，预训练架构可随时用于高分辨率图像而无需下采样。新的诊断引导损失加权方法优于其他方法，并能在面临类别不平衡时实现有效训练。意义：所提方法改进了自动皮肤病变分类。它们可扩展到其他涉及高分辨率图像数据与类别不平衡的相关临床应用中。
引用
@article{arxiv.1905.02793,
title = {Skin Lesion Classification Using CNNs with Patch-Based Attention and Diagnosis-Guided Loss Weighting},
author = {Nils Gessert and Thilo Sentker and Frederic Madesta and Rüdiger Schmitz and Helge Kniep and Ivo Baltruschat and René Werner and Alexander Schlaefer},
journal= {arXiv preprint arXiv:1905.02793},
year = {2019}
}
备注
Accepted for publication in IEEE Transactions on Biomedical Engineering