基于Wasserstein距离辅助的分类生成对抗网络的无监督与半监督皮肤镜图像分类学习
计算机视觉与模式识别
2018-04-12 v1
摘要
黑色素瘤若早期发现是一种可治愈的侵袭性皮肤癌。通常诊断包括初步筛查，必要时进行活检和组织病理学检查。计算机辅助诊断提供了一个独立于临床经验的客观评分，并有可能降低皮肤科医生的工作负担。近来，通用计算机视觉领域深度学习算法的成功推动了有监督深度学习方法在计算机辅助黑色素瘤识别中的成功应用。然而，需要大量标注图像才能在有监督方法上进一步改进。良好的标注通常需要临床和组织学确认，这需要大量工作。为缓解这一限制，我们提出使用分类生成对抗网络以无监督和半监督方式自动学习皮肤镜图像的特征表示。在ISIC 2016皮肤病变挑战赛上的详尽实验表明，所提出的特征学习方法仅使用140张标注图像即取得了0.424的平均精度得分。此外，该方法还能够生成类真实世界的皮肤镜图像。
引用
@article{arxiv.1804.03700,
title = {Unsupervised and semi-supervised learning with Categorical Generative Adversarial Networks assisted by Wasserstein distance for dermoscopy image Classification},
author = {Xin Yi and Ekta Walia and Paul Babyn},
journal= {arXiv preprint arXiv:1804.03700},
year = {2018}
}