皮肤病变分割对皮肤镜图像分类性能的影响

恶性黑色素瘤（MM）是最致命的皮肤癌类型之一。分析皮肤镜图像在 MM 及其他色素性皮肤病变的早期检测中起着重要作用。在各种基于计算机的方法中，基于深度学习的方法尤其是卷积神经网络，已在皮肤镜皮肤病变图像的分类与分割中展现出优异性能。这些模型可以端到端训练，无需任何手工设计特征。然而，使用病变分割信息对分类性能的影响仍是一个开放问题。在本研究中，我们明确探究了使用皮肤病变分割掩码对皮肤镜图像分类性能的影响。为此，我们首先开发了一个不使用任何分割掩码的基线分类器作为参考模型。随后，我们在不同场景下于训练和测试阶段均使用手动或自动创建的分割掩码，并考察了分类性能。在包含两项二分类任务（即 MM 对全部、脂溢性角化病（SK）对全部）的 ISIC 2017 挑战数据集上评估，并基于所推导的受试者工作特征曲线下面积得分，我们观察到四个主要结果。我们的结果表明：1）在任何场景下使用分割掩码均未显著改善 MM 分类性能；2）在某场景（使用分割掩码进行膨胀裁剪）中，SK 分类性能显著提升；3）通过分割掩码移除所有背景信息显著降低了整体分类性能；4）在采用适当场景（使用分割进行膨胀裁剪）的情况下，使用手动或自动创建的分割掩码无显著差异。