在临床皮肤病学图像分类器的无监督SoftOtsuNet增强

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 数据增强对于机器学习 (ML) 模型准确性至关重要,并减少深度神经网络 (DNN) 的过度匹配.
• 临床皮肤学图像经常包含不相关的背景细节,这可能会引入DNN的偏见.
• 由于广泛的标签要求,皮肤病图像中前景/背景的监督细分成本很高.

研究的目的:

• 开发一种新的无监督深度神经网络 (DNN),用于临床皮肤病学中的数据增强.
• 为应对皮肤病图像中无关紧要背景信息的挑战,这些图像可能会偏向DNN模型.
• 提出一个具有成本效益的解决方案,避免用于图像分割的手动标签.

主要方法:

• 开发了一种无监督的DNN,该DNN包含了Otsu方法的可差异化适应.
• CutOut增强功能与Otsu的方法适应用于动态掩盖相结合.
• 拟议的SoftOtsuNet在多个皮肤病图像数据集上进行了评估.

主要成果:

• 与其他增强方法相比,SoftOtsuNet在三个数据集中表现出卓越的性能.
• 改善包括0.75%的Fitzpatrick17k,1.76%的多样性皮肤病图像和0.92%的专有数据集.
• 该方法只影响培训时间,不影响推断成本.

结论:

• 无监督,人为设计的损失函数仍然可以增强大型,数据驱动的模型.
• SoftOtsuNet提供了一种有效和高效的方法,用于医疗成像中的数据增强.
• 这种方法可以减轻DNN中背景诱导的偏差,而不会增加计算推理成本.