自动化黑色素细胞损伤分类:用合成图像训练的囊网络可以超过用真实图像训练的网络
Hayley Chai1, Stephen Gilmore2,3
1Fiona Stanley Hospital, Perth, Western Australia, Australia.
The Australasian journal of dermatology
|February 25, 2026
概括
在合成皮肤镜像上训练的囊网络 (CNs) 在分类黑色素细胞病变方面明显优于在真实图像上训练的囊网络. 这种方法为改善皮肤病变自动诊断提供了一个有希望的解决方案.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 卷积神经网络 (CNN) 表现出固有的分类错误.
- 2017年推出的囊网络 (CNs) 解决了许多CNN的缺点.
- 黑色细胞病变的自动分类受到有限的高质量训练数据的挑战.
研究的目的:
- 评估囊网络 (CN) 在良性和非典型的黑色细胞病变的皮肤镜像上的分类性能.
- 为了比较使用真实图像和由其自编码器生成的合成图像来训练CN的有效性.
- 评估CN的诊断能力,以区分良性和非典型的黑色细胞病变.
主要方法:
- 通过使用来自ISIC和PH2数据集的500张真实皮肤镜像 (250张良性图像,250张非典型图像) 开发和训练了一个CN.
- 随后,CN通过其自编码器生成的3000张合成图像进行了训练.
- 两种CN模型都在同一组原始真实测试图像上进行了测试.
主要成果:
- 在真实图像上训练的CN实现了51.0.0的诊断几率比率 (DOR).
- 在合成图像上训练的CN取得了显著更高的DOR71.3.3.
- 合成图像训练CN的表现优于真实图像训练CN的表现.
结论:
- 使用合成图像的训练分类器,这些图像很容易大量生成,为自动化黑色素细胞病变分类提供了固有的优势.
- 在广泛的合成数据集上接受培训的CN显示了在皮肤病变分类中前所未有的概括性能的潜力.
- 囊网络为CNN提供了可行的,有利的替代方案,可以提高自动皮肤病诊断的准确性.
