本文采用基于深度神经网络的集成方法,从皮肤镜图像中自动识别皮肤病。将开发的算法应用于ISIC 2018挑战数据集(针对黑素瘤检测的皮肤损伤分析)的任务3。
translated by 谷歌翻译
在本报告中,我们将介绍我们用于皮肤镜图像内疾病分类的自动预测系统。建议的解决方案基于深度学习,我们在VGG16和GoogLeNet架构上采用了转移学习策略。我们的解决方案的关键特征是主要基于图像增强和颜色标准化的预处理。解决方案评估任务3:ISIC 2018的病变诊断:皮肤病变分析向黑色素瘤检测。
translated by 谷歌翻译
由于皮肤癌是全球最常见的癌症之一,准确,非侵入性皮肤镜检查成为必不可少且前景广阔。 MICCAI 2018 ISIC皮肤图像分析挑战第3部分的任务是预测皮肤病变图像的七种疾病类别,包括黑素瘤(MEL),黑素细胞痣(NV),基底细胞癌(BCC),光化性角化病/ Bowen病(上皮内癌(AKIEC),由国际皮肤病学会定义的良性角化病(solarlentigo /脂溢性角化病/扁平苔藓样角化病)(BKL),皮肤纤维瘤(DF)和血管病变(VASC)。在这项工作中,我们设计了WonDerM管道,重新采样预处理的皮肤病变图像,构建使用分段任务数据微调的神经网络架构(第1部分),并使用集合方法对七种皮肤病进行分类。我们的模型在验证数据中得分为0.899。
translated by 谷歌翻译
皮肤病变识别是皮肤病诊断的关键步骤。描述皮肤病变时,注意其身体分布非常重要,因为许多皮肤病通常会影响身体的特定部位。为了利用皮肤损伤与其身体分布之间的相关性,在本研究中,我们使用由bodylocation提供的附加背景信息来研究改善皮肤损伤分类的可能性。具体而言,我们构建了一个深度多任务学习(MTL)框架,以共同优化皮肤病变分类和身体位置分类(后者用作归纳偏差)。我们的MTL框架使用最先进的ImageNet预训练模型,具有两个相关任务的专用损失函数。我们的实验表明,所提出的基于MTL的方法比其独立(单任务)对应方式更强大。
translated by 谷歌翻译
皮肤癌是最常见的癌症形式之一,并且其发病率预计会在未来十年内上升。人工智能是在缺乏经过培训的皮肤科医生访问的地区为患者提供优质护理的问题的解决方案。在使用自动化应用程序以从数字图像中精确分类皮肤病变方面已经取得了相当大的进展。在本手稿中,我们讨论了来自HAM10000数据集的皮肤镜图像分类的深度学习算法的设计和实现。我们训练了一个基于theResNet50架构的卷积神经网络,以准确地将皮肤病变的皮肤镜图像分类为七种疾病类别中的一种。使用我们的自定义模型,我们在验证数据集上获得了91%的平衡准确度。
translated by 谷歌翻译
皮肤损伤是由于许多不同原因而出现在患者身上的病症。其中之一可能是由于皮肤组织的异常生长,定义为癌症。这种疾病困扰着超过1410万患者,并且导致全世界超过820万人死亡。因此,提出了12种病变的分类模型的构建,包括恶性黑色素瘤和基底细胞癌。此外,在这项工作中,它使用了ResNet-152架构,该架构使用位置,比例和光照变换进行了3,797个图像的训练,后期提升了29倍。最后,用956个图像测试网络,并获得黑色曲线下的Aarea(AUC)为0.96,基底细胞癌为0.91。
translated by 谷歌翻译
黑色素瘤分类是识别皮肤病的严重阶段。由于黑色素瘤的内部差异,皮肤损伤低对比度和皮肤镜检查中的伪影,包括噪音,头发的存在,气泡以及黑素瘤和非黑色素瘤病例之间的相似性,它被认为是一个具有挑战性的过程。为了解决这些问题,我们提出了新的多卷积神经网络模型(MCNN)来对皮肤镜图像中不同的七种疾病类型进行分类,其中几个模型使用加法样本学习策略进行单独训练。使用来自国际皮肤成像协作组织(ISIC 2018)的训练和验证集分别训练和测试MCNN模型。使用接收器操作特性(ROC)曲线来评估所提出方法的性能。 AUC的值(ROCcurve下的面积)用于评估MCNN的性能。
translated by 谷歌翻译
本文介绍了我们的解决方案的设计,实验和结果,这些解决方案提交给了2018年的ISIC挑战:皮肤损伤分析对黑色素瘤的检测。我们使用最先进的卷积神经网络(CNN)模型为病变边界分割任务和病变诊断任务设计管道。
translated by 谷歌翻译
在这项研究中,我们研究了一种实用的方法,以实现强有力的皮肤病诊断。直接方法是针对地面真实诊断标签,而替代方法则侧重于确定更具视觉上一致性和可辨别性的皮肤病变特征。我们认为,对于计算机辅助皮肤病诊断,病变类型标签应被视为自动诊断系统的目标,使系统能够在描述皮肤病变方面具有高准确度,从而更加真实和有用。利用病变特征和其他证据促进诊断。为了进一步实现这一目标,我们采用卷积神经网络(CNNs)进行疾病靶向和病变靶向分类。我们收集了来自六个公开可用皮肤病学家的75,665个皮肤病图像的大规模和多样化数据集。然后分别湿润并比较疾病靶向和病变靶向分类器。对于以疾病为目标的分类,只有27.6%的前1精度和57.9%的前5精度达到,平均精度(mAP)为0.42。相反,对于病灶靶向分类,我们可以实现更高的0.70的mAP。
translated by 谷歌翻译
本文研究了卷积神经网络在8种皮肤病分类中的有效性和能力。使用不同的预先训练的最先进的架构(DenseNet 201,ResNet 152,Inceptionv3,InceptionResNet v2)并且总共应用于10135皮肤镜皮肤图像(HAM10000:10015,PH2:120)。使用的数据集包括8个诊断类别 - 黑素瘤,黑素细胞痣,基底细胞癌,良性角化病,光化性角化病和上皮内癌,皮肤纤维瘤,血管病变和非典型痣。目的是比较深度学习的能力与训练有素的皮肤科医生的表现。总体而言,平均结果表明,所有深度学习模型都优于皮肤科医生(至少11%)。黑素瘤和基底细胞癌的最佳ROC AUC值分别为94.40%(ResNet 152)和99.30%(DenseNet 201),而皮肤科医生分别为82.26%和88.82%。此外,DenseNet 201在整体分类中具有最高的宏观和微观平均AUC值(分别为98.16%,98.79%)。
translated by 谷歌翻译
本文报道了MedAusbild团队针对ISIC挑战任务的方法和评估结果。自2017年初以来,我们的团队一直致力于黑色素瘤分类[1] [6],自2018年以来一直采用深度学习[7]。深度学习通过分析医学数据(例如,医学图像)帮助研究人员绝对地治疗和检测疾病。各种深度学习模型的代表性模型之一是卷积神经网络(CNN)。尽管我们的团队具有对良性和恶性皮肤病变的分割和分类的经验,但我们参与了ISICChallenge 2018的任务3以进行分类。七种皮肤病,在本文中解释。
translated by 谷歌翻译
皮损的病变诊断是一项非常具有挑战性的任务,因为在不同的皮肤病变中,在颜色,大小,部位和外观方面具有高级别的相似性和类内变化。随着计算机视觉尤其是深度学习算法的出现,使用在皮肤镜图像上训练的这些算法可以进行病变诊断。通常,深度分类网络用于病变诊断以确定不同类型的皮肤病变。在这项工作中,我们使用像素分类网络来提供病变诊断而不是分类网络。我们建议使用DeeplabV3 +进行ISIC Challenge 2018任务3的多级病变诊断的内镜图像。我们使用DeeplabV3 +的各种后处理方法来确定该挑战中的病变诊断并提交测试结果。
translated by 谷歌翻译
在本报告中,我们在任务3:ISIC 2018的疾病分类:黑色素瘤检测的皮肤病变分析中介绍了我们系统的概要。我们基于挤压和激励网络(SENet)对多个预先训练的神经网络模型进行了微调。在图像识别领域的最新成果。此外,我们使用平均教师作为一个监督学习框架,并介绍了一些专门设计的皮肤病变分析数据增强策略。我们确认我们的数据增强策略提高了分类性能,并在ISIC2018官方验证数据集上显示了平衡准确度的87.2%。
translated by 谷歌翻译
黑色素瘤是一种发病率最快的皮肤癌。使用皮肤镜检查图像对黑色素瘤的早期检测显着提高了患者的存活率。然而,通过皮肤科医生的观察,准确地对皮肤病变进行分类,特别是在早期阶段,是非常具有挑战性的。因此,发现用于黑素瘤诊断的可靠生物标志物将是有意义的。近年来,深度学习授权计算机辅助诊断已经在基于医学成像的决策中显示出其价值。然而,许多研究侧重于提高疾病检测的准确性,但注意探索病理学的证据。在本文中,我们提出了一种解释深度学习分类结果的方法。首先,我们提出了一种精确的神经网络结构来对皮肤病变进行分类。其次,利用预测差异分析方法,通过斑点检查图像上的每个斑块,检测生物标记物。最后,我们验证了我们的生物标志物发现与文献中的模式相对应。这些发现可能对指导临床诊断具有重要意义。
translated by 谷歌翻译
Diagnosing an unknown skin lesion is the first step to determine appropriate treatment. We demonstrate that a linear classifier, trained on features extracted from a convolu-tional neural network pretrained on natural images, distinguishes among up to ten skin lesions with a higher accuracy than previously published state-of-the-art results on the same dataset. Further, in contrast to competing works, our approach requires no lesion segmentations nor complex pre-processing. We gain consistent additional improvements to accuracy using a per image normalization, a fully convolu-tional network to extract multi-scale features, and by pooling over an augmented feature space. Compared to state-of-the-art, our proposed approach achieves a favourable accuracy of 85.8% over 5-classes (compared to 75.1%) with noticeable improvements in accuracy for underrepresented classes (e.g., 60% compared to 15.6%). Over the entire 10-class dataset of 1300 images captured from a standard (non-dermoscopic) camera, our method achieves an accuracy of 81.8% outper-forming the 67% accuracy previously reported.
translated by 谷歌翻译
本文介绍了一种深度CNN,基于DenseNet架构和高度辨别的学习方法,以分类七种皮肤病变:黑色素瘤,黑素细胞痣,基底细胞癌,光化性角化病/ Bowen病,良性角化病,皮肤纤维瘤,血管炎。特别是在IMAGENET数据集上预训练的61层DenseNet已经在ISIC 2018任务3挑战数据集上进行了微调,利用了CenterLoss功能。
translated by 谷歌翻译
这项工作的目的是提出一个黑色素瘤分类描述符的集合,其性能已经在黑色素瘤挑战2018的验证和测试数据集上进行了评估。由于多个描述符的组合,这里提出的系统实现了强烈的判别力。所提出的系统代表一种非常简单但有效的方法,通过将多个CNN组合成一个整体并通过总和规则组合得分来提高训练有素的CNN的性能。考虑了几种类型的集合,具有不同的CNN架构以及不同的学习参数集。另外CNN用作特征提取器:输入图像由经过CNN处理和特定层的响应(通常是分类层,但也是内部层可以被雇用)被视为图像的描述符并用于训练一组支持向量机(SVM)。
translated by 谷歌翻译
由于CNN在计算机视觉领域具有最先进的性能,因此在包括医学在内的各种领域中越来越受欢迎。然而,由于神经网络是黑盒功能的近似,对医学专家而言,即使不是不可能,也是如此。推理他们的输出。这可能导致专家在他或她不同意其输出时不信任网络。在这种情况下,解释为什么CNN作出某种决定成为有价值的信息。在本文中,我们尝试通过检查和可视化皮肤病领域中的已知特征图来打开CNN的黑匣子。我们表明,在某种程度上,CNN专注于与皮肤科医生用于诊断的特征相似的特征。但是,需要更多的研究来充分解释他们的输出。
translated by 谷歌翻译
准确及时地检测水稻中的病虫害可以大大减少经济损失。它可以帮助农民适时进行治疗。基于深度学习的卷积神经网络(CNN)的最新发展使研究人员能够大大提高图像分类的准确性。在本文中,我们提出了一种基于深度学习的方法,使用在异质背景下在真实生活场景中捕获的图像来检测水稻植物中的病虫害。我们在我们的大型疾病和害虫数据集上试验了各种最先进的卷积神经网络,其中包含了类间和类内变异。结果表明,利用深度卷积神经网络可以有效地检测和识别包括健康植物类在内的九类水稻病虫害,测试集的最佳准确度为99.53%。
translated by 谷歌翻译
结直肠肝转移是最具侵袭性的肝脏恶性肿瘤之一。虽然基于CT图像的病变类型的定义决定了诊断和治疗策略,但是癌症和非癌性病变之间的区分是关键的并且需要高度熟练的专业知识,经验和时间。在目前的工作中,我们引入了端到端的深度学习方法,以帮助区分肝脏的腹部CT图像中的结直肠癌和良性囊肿的肝转移。 Ourapproach结合了InceptionV3的高效特征提取,结合了ImageNet的残余连接和预先训练的权重。该体系结构还包括完全连接的分类层,以生成病变类型的概率输出。我们使用一个内部临床生物库,其中有来自63名患者的230个肝脏病变。精确度为0.96,aF1得分为0.92,用所提出的方法获得的结果超过了现有技术的方法。我们的工作为将机器学习工具纳入专业放射学软件提供了基础,以帮助医生早期发现和治疗肝脏病变。
translated by 谷歌翻译