面向黑色素瘤分类的皮镜图像特征表示学习的改进研究
图像与视频处理
2022-07-18 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的皮镜图像黑色素瘤分类近年来在自动早期黑色素瘤诊断中展现出巨大潜力。然而，受显著数据不平衡及明显外来伪影（即毛发与标尺标记）的限制，从皮镜图像中提取判别性特征极具挑战性。在本研究中，我们分别致力于解决这些问题，以实现更好的病灶特征表示学习。具体而言，采用基于GAN的数据增强（GDA）策略生成合成的黑色素瘤阳性图像，并结合所提出的隐式毛发去噪（IHD）策略。其中，通过辅助分类器网络隐式解耦毛发相关表示，并反向送入黑色素瘤特征提取主干网络，以实现更好的黑色素瘤特异性表示学习。此外，为训练IHD模块，在ISIC2020数据集上额外标注了毛发噪声，使其成为首个带有毛发状伪影标注的大规模皮镜数据集。大量实验证明了所提框架的优越性及各组件的有效性。改进后的数据集公开于 https://github.com/kirtsy/DermoscopicDataset。
引用
@article{arxiv.2207.07303,
title = {Towards Better Dermoscopic Image Feature Representation Learning for Melanoma Classification},
author = {ChengHui Yu and MingKang Tang and ShengGe Yang and MingQing Wang and Zhe Xu and JiangPeng Yan and HanMo Chen and Yu Yang and Xiao-Jun Zeng and Xiu Li},
journal= {arXiv preprint arXiv:2207.07303},
year = {2022}
}
备注
ICONIP 2021 conference