皮肤病学图像分析中的视觉偏差与深度学习可解释性
计算机视觉与模式识别
2025-08-07 v1
摘要
皮肤病分类是一个关键但具有挑战性的任务，由于高类别相似性、类别内变异性和复杂皮损纹理。虽然基于深度学习的计算机辅助诊断(CAD)系统在自动化皮肤学评估方面显示出前景，但其性能高度依赖于图像预处理和模型架构。本研究提出了一种深度学习框架，用于多类皮肤病分类，系统评估了三种图像预处理技术：标准RGB、CMY色彩空间转换和对比度受限自适应直方图均衡(CLAHE)。我们使用准确率和F1分数作为评估指标，对预训练卷积神经网络(DenseNet201、Efficient-NetB5)和基于变换器的模型(ViT、Swin Transformer、DinoV2 Large)进行基准测试。结果表明，DinoV2配合RGB预处理在所有变体中获得最高的准确率（最高达93%）和F1分数。对RGB输入应用Grad-CAM可视化进一步揭示了精确的皮损定位，增强了可解释性。这些发现凸显了在构建健壮且可解释的皮肤学CAD系统中，有效预处理和模型选择的重要性。
引用
@article{arxiv.2508.04573,
title = {Visual Bias and Interpretability in Deep Learning for Dermatological Image Analysis},
author = {Enam Ahmed Taufik and Abdullah Khondoker and Antara Firoz Parsa and Seraj Al Mahmud Mostafa},
journal= {arXiv preprint arXiv:2508.04573},
year = {2025}
}
备注
This paper has been accepted in the 4th IEEE International Conference on Image Processing and Media Computing (ICIPMC) 2025