通过自适应分布校准来对罕见皮肤疾病进行分类的少量学习

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 罕见皮肤疾病的分类受到数据稀缺的阻碍,影响深度学习模型培训.
• 短暂的学习提供了一个解决方案,通过使用有限的样本来识别新型疾病.
• 现有的方法往往无法充分利用基类信息来进行少量镜头类分布校准.

研究的目的:

• 为了解决罕见皮肤病分类中的数据短缺问题.
• 提出一个新的几次学习框架,SADC (通过自适应分布校准进行皮肤疾病分类).
• 提高使用有限数据对罕见皮肤病的分类准确度.

主要方法:

• 开发了一个多级特征提取策略,使用特征描述矩阵和复合指标进行精确的相似性计算.
• 实施了自适应性样本校准策略,以构建权重矩阵,以进行最佳的基准类样本选择和分布校准.
• 利用了SADC框架,结合了分布意识的少量学习的两种策略.

主要成果:

• 在三个公共皮肤病数据集 (ISIC2018,Derm7pt和SD198) 上,SADC取得了最先进的表现.
• 与现有的少数射击学习方法相比,表现出显著的性能改善.
• 验证了双策略方法在推进数据效率高的医学图像分析方面的有效性.

结论:

• 在罕见皮肤病分类方面,SADC有效地克服了数据稀缺的挑战.
• 拟议的框架提高了医疗图像分析的准确性和效率.
• 在皮肤病学领域,SADC代表了分布意识的少量学习的重大进步.