基于深度神经网络集成与迁移学习的不平衡数据集皮肤癌检测
计算机视觉与模式识别
2021-05-18 v4 机器学习
摘要
已有若干从医学图像中准确检测皮肤癌的机器学习技术被报道。其中许多技术基于预训练的卷积神经网络（CNN），使得能够基于有限的训练数据量训练模型。然而，这些模型的分类精度仍往往受到恶性肿瘤代表性图像稀缺性的严重限制。我们提出了一种新颖的基于集成的 CNN 架构，其中多个 CNN 模型（部分预训练，部分仅基于手头数据及作为输入图像关联元数据形式的辅助数据训练）通过元学习器进行组合。所提方法提升了模型处理有限且不平衡数据的能力。我们使用包含来自 2056 名患者的 33126 张皮肤镜图像的数据集证明了该技术的益处。我们根据 F1 度量、ROC 曲线下面积（AUC-ROC）和 PR 曲线下面积（AUC-PR）评估所提技术的性能，并将其与七种不同基准方法（包括两种近期基于 CNN 的技术）进行比较。所提技术在各项评估指标上均表现优异。
引用
@article{arxiv.2103.12068,
title = {Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Detection in Imbalanced Data Sets},
author = {Aqsa Saeed Qureshi and Teemu Roos},
journal= {arXiv preprint arXiv:2103.12068},
year = {2021}
}