基于类加权与 focal loss 函数的迁移学习用于自动皮肤癌分类
人工智能
2020-09-15 v1
摘要
皮肤癌迄今位居全球最常见癌症的前三位。在不同皮肤癌类型中，黑色素瘤因其转移能力而尤为危险。早期检测是皮肤癌治疗成功的关键。然而，由于良性与恶性病变之间的高度相似性，即使对经验丰富的皮肤科医生而言，皮肤癌诊断仍具挑战。为辅助皮肤科医生进行皮肤癌诊断，我们开发了一种深度学习系统，可有效自动将皮肤病变分类为以下七类之一：(1) 光化性角化病，(2) 基底细胞癌，(3) 良性角化病，(4) 皮肤纤维瘤，(5) 黑素细胞痣，(6) 黑色素瘤，(7) 血管性皮肤病变。系统训练使用 HAM10000 数据集。分类过程采用了端到端深度学习流程、利用多个预训练模型的迁移学习技术，并结合类加权与 focal loss。结果表明，我们集成的改进 ResNet50 模型可将皮肤病变分类为七类之一，其 top-1、top-2 与 top-3 准确率分别为 93%、97% 与 99%。该深度学习系统有望集成到支持皮肤科医生进行皮肤癌诊断的计算机辅助诊断系统中。
引用
@article{arxiv.2009.05977,
title = {Transfer learning with class-weighted and focal loss function for automatic skin cancer classification},
author = {Duyen N. T. Le and Hieu X. Le and Lua T. Ngo and Hoan T. Ngo},
journal= {arXiv preprint arXiv:2009.05977},
year = {2020}
}
备注
7 pages, 8 figures