侧边栏壁纸
博主头像
lmg博主等级

  • 累计撰写 55 篇文章
  • 累计创建 6 个标签
  • 累计收到 2 条评论
标签搜索

斯坦福皮肤癌论文总结

lmg
lmg
2019-03-15 / 0 评论 / 0 点赞 / 338 阅读 / 771 字
温馨提示:
本文最后更新于 2022-04-16,若内容或图片失效,请留言反馈。部分素材来自网络,若不小心影响到您的利益,请联系我们删除。

Dermatologist-level classification of skin cancer with deep neural networks

背景

以往的皮肤癌分类器往往缺乏好的泛化能力,由于缺少数据和focus on 标准任务,如只对专用医学设备产生的图片进行分类。无法对如手机拍摄的等因为缩放,角度,光线问题的照片进行分类。该文提出一种端对端的CNN,对皮肤癌进行分类。可以达到专家水平甚至更好。

数据

用了129450张图像(比以往的数据集大两个数量级)包含2032种不同的疾病。测试数据是由21位皮肤科专家标注的。
将数据划分:
127,463用于训练和validation
1,942 biopsy-labelled(活检)用于测试

模型

GoogLeNet Inception V3 (用2014ImageNet预训练,1.28 million images)
框架图

结果

蓝色的是CNN,红色的点代表皮肤病专家,绿色的是皮肤病专家的平均水平,可以看出,CNN胜出
结果

在first level nodes(benign lesions, malignant lesions and non-neoplastic lesions)3 class partision 任务中可以达到72.1%的平均准确率,两个皮肤科专家分别达到65.56%和66.0%
其次,在second level nodes(9分类)中CNN可以达到55.4%,两个专家分别是53.3和55.0
可以看出,用更好的疾病划分方法可以提高准确率
结果

亮点

1.一种给疾病分类的算法
充分利用如下疾病的树状图分类,好像这个Partition Algorithm 挺好使的
疾病树状图
看以上结果的时候可以发现,有PA和没有PA,可以提升好几个点,下图是PA具体算法
划分算法
2.本文的训练数据比以往大了两个数量级,数据为王。
3.不仅用了专业医学设备产生的图片
4.展望手机app端,提升逼格

0

评论区