敌对训练 基于领域 皮肤癌的适应 图片
Syed Qasim Gilani1, Muhammad Umair2, Maryam Naqvi3
1Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, FL 33431, USA.
Life (Basel, Switzerland)
|August 29, 2024
概括
本研究使用域调整处理皮肤病变数据集中的偏差和域转移. 一个域对抗性神经网络比基线模型提高了18.47%的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 皮肤病学中的人工智能
背景情况:
- 皮肤病变数据集经常存在类不平衡,影响深度学习模型的性能.
- 生成对立网络 (GAN) 可以创建合成数据,但可能会引入偏见和域移动.
- 影像仪器和分辨率的变化进一步加剧了皮肤病变数据集的域移动.
研究的目的:
- 开发和评估一个域适应方法,以减轻皮肤病变数据集中的偏差和域转移.
- 改进对不平衡和转移的皮肤病变数据的深度学习模型的性能.
主要方法:
- 实施域调整算法,以解决数据集偏差和域转移的问题.
- 使用两个不同的域适应架构进行了六项实验.
- 采用了一个具有梯度逆转层的域对抗神经网络,并使用VGG13作为特征提取器.
主要成果:
- 域对抗神经网络架构表现出卓越的性能.
- 获得了0.7567的最高准确度和0.75.75的F1得分.
- 与基线模型相比,精度提高了18.47%.
结论:
- 域适应算法在缓解皮肤病变数据集中的偏差和域移动方面是有效的.
- 拟议的方法提高了皮肤病变分析的深度学习模型的稳定性和准确性.
- 与VGG13的域对抗神经网络显示出临床应用的巨大潜力.


