FEGGNN:功能增强的网状图神经网络,用于强大的几次射击皮肤疾病分类
Abdulrahman Noman1, Zou Beiji1, Chengzhang Zhu1
1School of Computer Science and Engineering, Central South University, Changsha, 410083, China.
Computers in biology and medicine
|March 8, 2025
概括
这项研究引入了用于皮肤疾病分类的新型特征增强门图神经网络 (FEGGNN),通过减轻数据限制和灾难性遗忘,显著提高了少数射击学习场景的准确性.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的皮肤疾病分类至关重要,但受到有限的注释图像的阻碍,特别是在罕见的疾病中.
- 计算机辅助诊断 (CAD) 中的少数射击学习 (FSL) 方法减少了数据依赖,但在连续任务中与灾难性忘记作斗争.
研究的目的:
- 提出一个特征增强型门图神经网络 (FEGGNN) 框架,以提高几次射击皮肤疾病的分类.
- 为了应对有限数据和灾难性遗忘在皮肤病学FSL的挑战.
主要方法:
- FEGGNN使用非对称卷积网络 (ACNet) 来从皮肤病变图像中提取特征.
- 图形神经网络 (GNN) 框架改进了功能,结合了Gated Recurrent Units (GRUs) 来管理任务依赖性并减轻遗忘.
- 一个高效的频道注意力 (ECA) 机制优化边缘功能更新,以改善图形表示.
主要成果:
- FEGGNN在几次射击皮肤疾病分类中表现出了最先进的性能.
- 在Derm7pt上达到84.90%的准确性,在SD-198数据集上达到95.19%的准确性.
- 向未见的类展示了优越的概括,有效地克服了数据稀缺和灾难性的遗忘.
结论:
- FEGGNN框架提供了一个强大的解决方案,用于几次射击皮肤病的分类,大大提高了诊断准确度.
- 集成ACNet,GNN,GRU和ECA有效地增强了特征表示和知识传输.
- 这种方法对推进皮肤病学中的CAD系统具有前景,特别是在数据有限的情况下.
