autoSMIM:用于皮肤损伤细分的基于超像素的自动掩面图像建模
IEEE transactions on medical imaging
|June 28, 2023
概括
这项研究介绍了autoSMIM,一种新的自我监督方法,用于使用基于超像素的蒙面图像建模进行皮肤病变细分. 它通过提高皮肤镜图像的细分精度,有效地提高了早期皮肤病诊断.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 皮肤病变细分对于早期诊断至关重要,但由于病变的变化性和模糊的边界,具有挑战性.
- 现有的数据集往往缺乏足够的细分标签,阻碍了模型开发.
- 自主监督学习为利用丰富的未标记数据提供了一个有希望的途径.
研究的目的:
- 提出一种基于超像素的全新自动蒙面图像建模方法 (autoSMIM),用于自我监督的皮肤病变细分.
- 为了解决现有方法在处理皮肤病变变异性和有限的标记数据方面的局限性.
- 为了提高皮肤损伤细分的精度和效率,从皮肤镜图像.
主要方法:
- 开发了自动SMIM,一种使用超像素进行自我监督的蒙面图像建模方法.
- 采用贝叶斯优化来实现最佳的超像素掩盖策略.
- 在未标记的皮肤镜像上预先训练了一种蒙面图像建模模型,并为细分进行微调.
主要成果:
- 通过剥离研究证明了基于超像素的蒙面图像建模的有效性.
- 展示了autoSMIM在不同皮肤病变细分数据集中的适应性 (ISIC 2016, 2017, 2018).
- 与最先进的方法相比,在皮肤病变细分方面取得了更高的性能.
结论:
- autoSMIM为皮肤病变细分提供了强大而有效的自我监督解决方案.
- 拟议的方法克服了病变变性和有限的标记数据所带来的挑战.
- 自动SMIM显示了推动皮肤疾病自动诊断的巨大潜力.


