上下文空间与实例信息的皮肤镜图像自监督分类
针对基于深度学习的皮肤疾病检测方法受限于皮肤镜图像标注难度大、成本高、耗时耗力等问题,本文提出了一种针对皮肤镜图像的自监督学习方法,利用无标注的皮肤镜图像来提高皮肤疾病分类准确率.根据皮肤镜图像空间结构相似度高、信息单一的特点,使用基于旋转预测自监督代理任务,通过模型预测图像旋转的角度,约束模型对图像病变区域的关注,学习上下文空间特征;同时使用个体判别任务,利用正负样本对比学习,获得皮肤镜图像实例信息,为皮肤镜图像的分类提供全局分类信息指导;融合上下文空间特征与实例语义信息得到初始的皮肤疾病检测模型.实验结果表明:本文所提的自监督学习方法,从无标记的皮肤镜样本挖掘出重要信息,更有效地关注皮肤镜图像病变区域,通过融合皮肤镜图像特征信息,使分类结果更加准确.
皮肤病诊断、自监督学习、特征提取、图像分类、迁移学习、卷积神经网络、医学图像处理、辅助诊断
18
TP391(计算技术、计算机技术)
国家重大研究计划-重点支持项目;科技创新新一代人工智能重大项目;国家自然科学基金;湖南省杰出青年科学基金项目;湖南省重点研发计划;长沙市科技重大专项;机器人学国家重点实验室联合开放基金
2023-08-28(万方平台首次上网日期,不代表论文的发表时间)
共10页
783-792