可视化CoAtNet预测以辅助黑色素瘤检测
图像与视频处理
2022-05-24 v1 计算机视觉与模式识别
机器学习
摘要
黑色素瘤被认为是最具侵袭性的皮肤癌形式。由于恶性与良性癌变病灶形状相似，医生在诊断这些发现时耗费大量时间。目前，恶性评估主要通过可疑病灶的侵入性组织学检查进行。开发准确的分类器用于早期高效检测，可最小化和监测皮肤癌的有害影响并提高患者生存率。本文提出使用CoAtNet架构的多分类任务，该混合模型将传统卷积神经网络的深度可分离卷积矩阵运算与Transformer模型及自注意力机制的优势相结合，以实现更好的泛化能力与容量。所提出的多分类器取得总体精确率0.901、召回率0.895和AP 0.923，表明相比其他SOTA网络具有高性能。
引用
@article{arxiv.2205.10515,
title = {Visualizing CoAtNet Predictions for Aiding Melanoma Detection},
author = {Daniel Kvak},
journal= {arXiv preprint arXiv:2205.10515},
year = {2022}
}