在不平衡的数据中提高舌头病变的深度学习分类性能:基于马赛克的软标签与课程学习
Sung-Jae Lee1, Hyun Jun Oh2, Young-Don Son1,3
1Department of Biomedical Engineering, College of IT Convergence, Gachon University, Seongnam, Republic of Korea.
BMC oral health
|February 2, 2024
概括
这项研究引入了一种人工智能技术,以改善不平衡的舌头病变数据集的分类,增强口腔潜在恶性疾病 (OPMD) 和癌症的早期检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 口腔潜在恶性疾病 (OPMDs) 增加了口腔癌的风险.
- 早期发现口腔癌和OPMD对于生存至关重要.
- 深度学习对医学图像分类有希望,但面临诸如阶级不平衡等挑战.
研究的目的:
- 评估一种新的人工智能技术,以提高不平衡的舌头损伤数据集的分类性能.
- 解决口腔癌检测医学成像中的阶级不平衡的挑战.
主要方法:
- 利用了1,810张舌头图像的数据集,包括癌症,OPMD和非癌症病变.
- 使用EfficientNet模型进行特征提取.
- 实施了马赛克数据增强,软标签和课程学习 (CL) 来增强分类.
主要成果:
- 使用马赛克增强和CL. 实现了0.9444的准确率.
- 性能优于传统的过量采样和权重平衡方法.
- 对于OPMD,相对精度提高了21.2%,相对F1得分提高了4.9%.
结论:
- 基于马赛克的软标签和CL的整合显著改善了舌头病变的分类.
- 这种人工智能方法为从不平衡的医学成像数据中学习提供了坚实的基础.
- 强调了先进的人工智能技术在早期口腔癌和OPMD检测方面的潜力.
