欢迎访问:蚌埠医学院健康信息管理与应用研究创新团队
蚌埠医学院健康信息管理与应用研究创新团队
首页 蚌埠医学院 团队资讯
团队新闻
学科前沿
通知公告
资源下载
研究方向
健康信息行为分析
健康信息决策支持
健康信息资源传播
科研团队
校外专家
附院研究人员
校内研究人员
研究生
科研业绩
课题
论文
人才培养
学术交流
关于我们
团队介绍
 
学科前沿
团队新闻
学科前沿
通知公告
资源下载
 
 
您当前的位置: 首页  ->   团队资讯  ->   学科前沿  ->   正文
一种深度聚类算法在皮肤病变检测中的应用
2022-09-10    浏览:

皮肤癌是公共卫生领域的一个重大问题,在过去的几十年里,每年皮肤癌的确诊患者数量大幅增加。黑素瘤是一种可治愈的致命皮肤癌,早期诊断对于提高黑色素瘤等致命皮肤癌的生存率至关重要。基于深度学习的方法对于从皮肤镜图像中检测黑色素瘤具有重要的前景。然而,由于黑色素瘤是一种罕见疾病,现有的皮肤病变数据库主要包含高度不平衡的良性和恶性样本数量。这种不平衡在分类模型中引入了实质性的偏见,因为大多数类别在统计上占主导地位,大大影响了深度学习模型的泛化能力。因此,需要一种方法来减轻由于皮肤损伤数据集不平衡而导致的黑色素瘤检测偏差。

为了解决这个问题,引入了一种基于皮肤镜图像潜在空间嵌入的深度聚类方法。通过使用一种新的面向中心的无边际三元组丢失(comtriplet)来实现聚类算法,该三元组被强化在卷积神经网络骨干网的图像嵌入上。该方法的目标是形成最大分离的聚类中心,而不是最小化分类错误,对类不平衡不太敏综合实验表明,在有监督和无监督环境下,带有comp - triplet损失的深度聚类优于带有triplet损失的聚类和竞争分类器。为了避免对标签数据的需求,进一步提出了基于高斯混合模型(GMM)生成的伪标签实现COM-Triplet的方法。

综合实验表明,在有监督和无监督环境下,带有comp - triplet损失的深度聚类优于带有triplet损失的聚类和其他分类器模型。该方法有望提高基于深度学习的黑色素瘤检测的可靠性且进一步应用于计算机辅助诊断上。

 



 

文章信息:https://ieeexplore.ieee.org/document/9810181

标题:Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin Lesion Detection in Highly Imbalanced Datasets

来源: IEEE Journal of Biomedical and Health InformaticsIF: 7.021,2021

发表时间:2022629

DOI: 10.1109/JBHI.2022.3187215

 

 
友情链接 国家自然科学基金委员会    全国哲学社会科学工作办公室    教育部社会科学司    安徽省教育厅    中国医学科学院医学信息研究所    国立卫生研究院    SCI/SSCI查询    IF查询(Clarivate)    中外文核心期刊查询系统    Medline    Springer    SAGE    Elsevier    中国卫生信息管理杂志    医学信息学杂志    JMIR    JBMHI   
 
版权所有:蚌埠医学院健康信息管理与应用研究创新团队 皖ICP备20000500号
地址:安徽省蚌埠市东海大道2600号,蚌埠医学院实验教学楼A307室
电话:0552-3173195  Email:wfz.bbmc@foxmail.com
本站内容如涉及知识产权问题请联系我们