超转移皮肤诊断:探索几次射击学习和转移学习,用于长尾分布中的皮肤疾病分类

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:

• 精确的罕见皮肤病模型是困难的,因为有限的标记数据和数据收集不一致.
• 短暂的学习框架对于解决医学成像中的数据短缺至关重要.

研究的目的:

• 为了比较情节性学习,监督转移学习和对比性自我监督预训,用于罕见皮肤疾病建模.
• 在一些射击学习框架下,在各种基准数据集中评估模型性能.

主要方法:

• 评估了三个学习策略:情节性学习,监督转移学习和对比的自我监督预训.
• 使用了MobileNetV2和视觉变压器 (ViT) 架构.
• 在ISIC2018,Derm7pt和SD-198数据集上测试了五个培训设置.
• 集成的批量级数据增强技术 (MixUp,CutMix,ResizeMix) 进行了整合.

主要成果:

• 随着培训示例的增加,监督转移学习的表现始终优于其他方法.
• 基于MobileNetV2和ViT的转移学习模型显示出卓越的性能.
• 模型在SD-198和Derm7pt上取得了最先进的结果,在ISIC2018上获得了竞争性结果.

结论:

• 监督转移学习为罕见皮肤疾病建模提供了强大的方法,优于插曲和自我监督的方法.
• 数据增强技术在少数场景中显著提高了转移学习模型的性能.
• 这些发现为开发用于罕见皮肤疾病的更准确的诊断工具提供了宝贵的见解.