少数镜头分类与多尺度特征融合用于临床皮肤疾病诊断
Tianle Chen1, Qi Liu1, Jie Yang1
1College of Biomedical Engineering, Sichuan University, Chengdu, 610065, People's Republic of China.
Clinical, cosmetic and investigational dermatology
|May 13, 2024
概括
一种新的几次学习 (FSL) 方法,CDD-Net,通过整合上下文特征和双重注意力来增强临床皮肤疾病的分类. 这种方法提高了诊断准确度,解决了皮肤病学中数据稀缺的挑战.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 皮肤疾病的诊断是具有挑战性的,通常依赖于主观观察.
- 有注释的数据稀缺性阻碍了智能诊断系统的发展.
- 不太可能的学习 (FSL) 为数据有限的场景提供了一个有希望的解决方案.
研究的目的:
- 为FSL临床皮肤疾病分类提出CDD-Net,一个新的插件模块.
- 解决目前FSL方法在普遍性和疾病类覆盖方面存在的局限性.
- 介绍Derm104,一个全面的皮肤疾病分类的基准数据集.
主要方法:
- 开发了CDD-Net,具有上下文功能融合模块和双重注意模块.
- 语境功能融合集成了多层功能,以捕捉歧视性纹理细节.
- 双重关注模块强调歧视性区域和道,同时压制不相关的区域.
主要成果:
- CDD-Net在不同的FSL方法中展示了多功能性.
- 与基线网络相比,实现了高达9.14个百分点的精度改进.
- 废弃研究证实了双重注意力和上下文特征融合模块的有效性.
结论:
- CDD-Net代表了FSL皮肤疾病分类的最先进方法.
- 拟议的方法有效地解决了数据稀缺问题,并提高了诊断准确性.
- CDD-Net和Derm104数据集为推进智能皮肤病系统提供了宝贵的资源.
更多相关视频
06:08Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging
Published on: May 5, 2011
16.8K
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
7.5K
