自主监督的多模式学习,用于多标签的皮肤病变分类
Hao Wang1, Euijoon Ahn2, Lei Bi3
1School of Computer Science, Faculty of Engineering, The University of Sydney, Sydney, NSW 2006, Australia; Institute of Translational Medicine, National Center for Translational Medicine, Shanghai Jiao Tong University, Shanghai, China.
Computer methods and programs in biomedicine
|April 4, 2025
概括
本研究引入了一种新的自我监督学习 (SSL) 算法,用于使用多种图像类型对皮肤病变进行分类. 该方法通过从配对的皮肤镜和临床图像中学习,而没有广泛的标记数据,从而提高了诊断准确性.
科学领域:
- 皮肤病学中的人工智能
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
背景情况:
- 皮肤病变的临床诊断依赖于皮肤镜和临床图像.
- 监督深度学习模型需要大型标记数据集,这些数据集的获取是昂贵且耗时的.
- 现有的方法在皮肤病变分类的多属性注释方面扎.
研究的目的:
- 开发一种自我监督学习 (SSL) 算法,用于多模式,多标签的皮肤病变分类.
- 减少在皮肤病变诊断中对大型标记数据集的依赖.
- 为了提高黑色素瘤诊断和病变属性识别的准确性.
主要方法:
- 提出了一种多模式SSL算法,可以最大限度地提高皮肤镜和临床图像之间的相似性.
- 引入了一种新的多模式,多标签SSL策略,通过集群生成伪标签.
- 开发了一个标签关系意识模块,以改进伪标签嵌入和捕获属性相互关系.
主要成果:
- 该算法在七点皮肤病变数据集上得到验证,性能优于最先进的SSL方法.
- 在ROC曲线下的面积,精度,灵敏度和特异性方面显著改进.
- 在各种病变属性和黑色素瘤诊断中观察到增强的性能.
结论:
- 开发的SSL算法为多模式,多标签的皮肤病变分类提供了有效的解决方案.
- 有效地利用皮肤镜和临床图像的互补信息和属性相互关系.
- 具有提高皮肤病学临床诊断准确性的潜力.
