SG-MIAN:用于图像级弱监督的皮肤病变细分的自导多重信息聚合网络
Zhixun Li1, Nan Zhang1, Huiling Gong1
1School of Mathematics and Computer Sciences, Nanchang University, Nanchang, China.
Computers in biology and medicine
|January 17, 2024
概括
这项研究引入了一种新的深度学习方法,用于仅使用图像级标签对皮肤病变进行细分,从而减少对广泛的像素级数据的需求. 自动引导多重信息聚合网络 (SG-MIAN) 实现了精确的病变定位和边界检测,改善了计算机辅助诊断.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 皮肤疾病对健康构成重大风险,需要先进的诊断工具.
- 使用深度学习的计算机辅助诊断有助于医疗专业人员,病变细分至关重要.
- 传统的细分方法需要耗时的像素级标签,增加成本和复杂性.
研究的目的:
- 开发一种新的弱监督方法,仅使用图像级标签进行皮肤病变细分.
- 为了减少在医疗图像分割中对广泛的像素级注释的依赖.
- 提高计算机辅助诊断系统中病变定位和边界检测的准确性.
主要方法:
- 为皮肤病变细分提出了一个自导向的多重信息聚合网络 (SG-MIAN).
- 利用一个骨干网络 (MIAN) 与多个空间感知器 (MSP),以分类信息为指导,用于病变定位.
- 引入了辅助激活结构 (AAS) 和辅助损失功能,用于自导边界校正.
主要成果:
- 用SG-MIAN方法证明了皮肤病变区域的精确定位和激活.
- 拟议的方法通过自我引导的校正机制实现了精确的边界激活.
- 在HAM10000和PH2数据集的实验中,与现有的弱监督细分方法相比,显示出更高的性能.
结论:
- 开发的方法有效地使用仅图像级标签对皮肤病变进行细分,大大减少了注释工作.
- SG-MIAN为增强皮肤疾病的计算机辅助诊断系统提供了一个有前途的方法.
- 这种技术解决了病变局部化和边界感知在弱监督细分的挑战.
