基于参数的转移学习用于使用高光谱成像对亚托皮炎的严重程度进行分类
Eun Bin Kim1, Yoo Sang Baek2, Onesok Lee1,3
1Department of Software Convergence, Graduate School, Soonchunhyang University, Asan City, Chungcheongnam-do, South Korea.
概括
超光谱成像 (HSI) 有效地使用转移学习对亚托皮炎 (AD) 严重程度进行分类. 在牛皮数据上的训练模型取得了高准确性,证明了HSI.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 亚托皮炎 (AD) 是一种具有结构变化的慢性炎症性皮肤疾病.
- 需要使用非侵入性方法来评估AD.
- 超光谱成像 (HSI) 使用光波长变化捕捉皮肤结构特征.
研究的目的:
- 使用高光谱成像 (HSI) 来分类亚托皮炎 (AD) 的严重程度.
- 通过基于参数的转移学习来探索不同的源和目标域数据集来优化分类结果.
主要方法:
- 使用了牛皮,皮肤癌,湿疹和AD数据集作为源域.
- 采用超光谱图像作为波长特定AD分类的目标域.
- 评估了96种来源,模型和严重性分类性能目标的组合.
主要成果:
- 使用ResNet50训练在增强型牛皮数据集 (来源) 和NIR数据集 (目标) 上实现了83%的分类性能.
- 使用ResNet50训练在未增强的牛皮数据集 (来源) 和R数据集 (目标) 上获得了81%的准确性.
- ResNet50显示出作为一个通用模型的潜力,而牛皮数据集被证明是有效的培训.
结论:
- 使用高光谱图像证明了使用AD严重程度分类的可行性.
- 展示了高光谱成像和转移学习在AD研究领域探索的可扩展性.
