一个统一的多任务学习模型与联合反向优化,用于同时进行皮肤损伤细分和诊断.
Mohammed A Al-Masni1, Abobakr Khalil Al-Shamiri2, Dildar Hussain1
1Department of Artificial Intelligence and Data Science, College of AI Convergence, Sejong University, Seoul 05006, Republic of Korea.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
本研究引入了一种统一的多任务学习方法,用于从皮肤镜图像中改进皮肤癌的分类和细分,从而提高自动化系统的诊断准确性.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 使用皮肤显微镜图像进行自动皮肤癌诊断,面临病变变异性和图像质量问题的挑战.
- 准确的皮肤病变分类和细分对于有效的自动诊断系统至关重要.
- 现有的单任务学习方法用于分类或细分显示局限性.
研究的目的:
- 开发一个统一的多任务学习策略,同时进行皮肤病变的分类和细分.
- 通过利用它们固有的相关性来提高分类和细分任务的性能.
- 为了应对各种病变形状和模糊皮肤透视图像特征所带来的挑战.
主要方法:
- 建议建立一个统一的多任务学习网络,整合共同的反向学习,以共享功能和平衡任务.
- 该方法同时进行皮肤病变异常分类和病变边界细分.
- 该方法在两个公共数据集上进行了评估:ISIC 2016和PH2.
主要成果:
- 多任务学习方法显著改善了细分性能,实现了89.48% (ISIC 2016) 和88.81% (PH2) 的子相似系数 (DSC).
- 与基线ResNet50.50相比,分类性能得到了提高,F1分数在ISIC 2016上从78.26%增加到82.07%,在PH2上从82.38%增加到85.50%,而在PH2上则从78.26%增加到82.07%.
- 实验结果表明,诊断能力优于单任务学习策略.
结论:
- 拟议的统一的多任务学习策略有效地提高了皮肤病变的分类和细分.
- 联合反向学习促进了分类和细分任务之间的相互增强.
- 这种方法显示了改善临床环境中皮肤瘤自动查和分析的巨大潜力.


