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 Informatics(IF: 7.021,2021)
发表时间:2022年6月29日
DOI: 10.1109/JBHI.2022.3187215