自动严重程度分级使用一个小和不平衡的数据集的低分辨率图像
Rémi Bernhard1, Arnaud Bletterer2, Maëlle Le Caro2
1QuantifiCare, 06410, Biot, France. rbernhard@quantificare.com.
Dermatology and therapy
|October 8, 2024
概括
一个新的深度学习模型使用低分辨率图像和最小的数据准确地评估的严重程度. 这种方法降低了开发自动化分级系统的成本和精力,为患者和从业者提供了标准化的工具.
科学领域:
- 皮肤病学 皮肤病学
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 开发自动化俗分级系统是数据密集型和昂贵的.
- 传统方法需要高分辨率图像,平衡的数据集和广泛的标签.
- 分级系统在数据采集和标签效率方面面临挑战.
研究的目的:
- 开发一种深度学习模型,使用调查员全球评估 (IGA) 尺度对的严重程度进行分级.
- 在低分辨率图像上训练模型,使用最小的数据和不平衡的严重程度等级.
- 为了降低创建自动化分级工具的成本和复杂性.
主要方法:
- 一个深度学习模型被训练和验证,使用来自391名患者的1374个图像三重组.
- 图像包括正面和侧面的视图,由皮肤科医生标记IGA严重程度等级.
- 该模型旨在处理低分辨率图像和不平衡的数据分布.
主要成果:
- 该模型在测试组件上实现了66.67%的准确性.
- 尽管数据不平衡,但所有严重程度的表现都是一致的.
- 开发的方法与更数据密集型方法的性能相匹配.
结论:
- 深度学习模型在有限的数据中显示出有希望的准确性.
- 它具有作为医疗从业者的辅助工具的潜力.
- 该模型可以为患者提供标准化,易于获得的分级解决方案.


