为皮肤病变图像分类逐步自知蒸
Jian Zheng1,2, Kewei Xie2, Dingwen Zhang2
1Yichun Lithium New Energy Industry Research Institute, Jiangxi University of Science and Technology, No. 5 Chunhua Road, Yichun, 336000, Jiangxi, China.
Scientific reports
|July 12, 2025
概括
这项研究引入了逐步自我知识蒸 (SW-SKD) 以改善皮肤学图像分类. SW-SKD通过通过特征和逻辑纠正来改进学习目标,提高学生模型性能,优于现有方法.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 自我认识蒸是医学图像分类的流行,使用相同的老师和学生模型.
- 目前的方法在为学生模型定义有效的学习目标方面扎,限制了绩效增长.
- 皮肤学图像分类需要强大的模型来准确诊断皮肤状况.
研究的目的:
- 引入一种新的逐步自我认识蒸 (SW-SKD) 框架,以提高皮肤学图像分类.
- 通过改善学习目标的确定来解决当前自我认识蒸的局限性.
- 提高学生模型在皮肤学图像分类方面的表现.
主要方法:
- 开发了SW-SKD框架,并采用了逐步蒸策略.
- 整合了使用注意力纠正特征作为学习目标的特征纠正块 (FRB).
- 实现了基于logit的知识蒸的logit纠正区块 (LRB),调整预测以匹配正确的指数.
主要成果:
- 在HAM10000,ISIC2019和Dermnet数据集上,SW-SKD显著提高了皮肤学图像分类性能.
- 在HAM10000上,与第二好的方法相比,精度提高了0.8%-1.4%,回忆率提高了0.9%-2.1%.
- 在ISIC2019上,平均精度提高了0.5%-0.9%,平均召回提高了0.7%-1.1%.
结论:
- 拟议的SW-SKD框架有效地提高了学生在皮肤学图像分类中的模型表现.
- 使用FRB和LRB的逐步蒸与现有方法相比,提供了更高的学习目标.
- 在医疗图像分析中,SW-SKD显示了提高诊断准确性的巨大潜力.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.5K
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.7K
