Oct, 2023

减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

HTML
PDF
TL;DR深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤-痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。
发现论文，激发创造
  • 使用多标签深度神经网络实现皮肤病分类与皮肤病变表征的鲁棒诊断

    本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

    Dec, 2018

  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 深度学习在皮肤镜皮肤病分类中的形状偏差再探讨

    本文通过对不同皮肤病例数据集的分析，指出了在皮肤病图像分类方面，深层模型中的shape-bias标准并不一定适用。实验结果表明，皮肤病图像的分类并非基于个别特征，而是需要考虑诸多特征的组合。因此，不使用shape-bias标准有时候甚至可以提高皮肤病分类器的性能。

    Jun, 2022

  • 基于物品的皮肤病变模型领域泛化

    提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，且对于伪影的忽略具有较好的效果，但在外部数据集上的表现较差，尤其需要对于皮肤病变分析的公平性更加关注。

    Aug, 2022

  • 皮肤镜皮肤癌数据集中的领域转移：对临床转化的基本限制的评估

    该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的“domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。

    Apr, 2023

  • 能否通过域自适应提高皮肤病变分类的准确性和公平性？

    深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类别皮损分类中的可行性。特别是，我们评估了三种UDA训练方案：单一来源，综合来源和多来源。我们的实验结果表明，UDA在二元分类中效果显著，当减少不平衡时，进一步提高。在多类别任务中，其性能不太明显，并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析，我们发现多类别任务的测试误差与标签偏移强相关，而特征级UDA方法在处理不平衡数据集时存在局限性。最后，我们的研究揭示了UDA可以有效减少对少数群体的偏见，并促进公平，即使不明确使用面向公平的技术。

    Jul, 2023

  • 皮肤病诊断的AI模型改进：克服关键挑战提升皮肤病变诊断能力

    通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的HOT模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学AI应用设定了一个有前景的先例。

    Nov, 2023

  • Derm-T2IM: 使用稳定的扩散模型利用合成皮肤损伤数据，通过ViT和CNN提升皮肤疾病分类

    研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

    Jan, 2024

  • 基于扩散模型的测试时间图像适应性用于鲁棒皮肤病变分类

    我们提出了一种测试时间图像适应方法，通过同时更新和预测测试图像来提高模型在测试数据上的准确性，通过扩散模型将目标测试图像反投影到源域，设计结构指导模块通过低通滤波添加细化操作，用于正则化扩散以保留结构信息，并引入自整合方案自动调整对适应和未适应输入的依赖关系，增强适应鲁棒性。在我们构建的ISIC2019-C和Dermnet-C损坏鲁棒性评估基准上进行的大量实验表明，我们的方法在各种损坏、体系结构和数据区域上使分类器更加鲁棒。我们的数据集和代码将在https://github.com/minghu0830/Skin-TTA_Diffusion上提供。

    May, 2024

  • 利用迁移学习和领域适应进行公平的皮肤疾病预测

    本研究针对皮肤病诊断中不同肤色间的信息差距问题，提出了一种结合迁移学习和领域适应的新方法。通过利用多种来源的预训练模型，并在多样皮肤影像数据集上进行评估，研究显示该方法能够有效提升皮肤疾病预测的准确性和包容性，特别是对暗肤色皮肤病的表现。主要发现是，Med-ViT模型表现最佳，展现了更全面的特征表示能力。

    Sep, 2024