拉玛:皮肤损伤细分的损伤意识混合增强

科学领域:

• 皮肤病学和医学图像分析
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习模型显示出从图像中诊断皮肤疾病的前景.
• 目前的细分方法与包含多个皮肤病变的图像进行斗争,导致信息丢失.
• 现有的数据集缺乏足够的多损伤图像示例,阻碍了模型培训.

研究的目的:

• 开发一种新的数据增强技术,以提高皮肤病变细分的准确性,特别是在多个病变的图像中.
• 解决当前机器学习方法在处理复杂的多损伤皮肤镜像中的局限性.

主要方法:

• 提出了损伤意识混合增强 (LAMA) 技术,通过结合现有损伤图像来生成合成多损伤图像.
• 在ISIC 2017挑战数据集上使用LAMA方法训练了一个深度神经网络.
• 创建并使用从ISIC 2020图像进行测试的新多病变 (MuLe) 分段数据集.

主要成果:

• 在MuLe数据集上,LAMA显著提高了细分性能,Jaccard得分增加了8.3% (0.687至0.744) 和Dice得分增加了5% (0.7923至0.8321).
• 该方法还提高了来自ISIC 2017数据集的单个损伤图像的性能,Jaccard得分增加了0.08%和Dice得分增加了0.6%.
• 实验结果表明,LAMA在提高单个和多个皮肤病变图像的细分精度方面的有效性.

结论:

• 拟议的LAMA数据增强技术有效地提高了皮肤病变细分的深度学习模型性能.
• 在克服与多损伤图像相关的挑战方面,LAMA显示出有希望,改善诊断信息检索.
• 需要对LAMA进行进一步的研究,以探索其在皮肤学图像分析中的全部潜力.