[论文解读] A Multi-Level Deep Ensemble Model for Skin Lesion Classification in Dermoscopy Images

Yutong Xie, Jianpeng Zhang+1 more|arXiv (Cornell University)|Jul 23, 2018

Cutaneous Melanoma Detection and Management参考文献 4被引用 3

一句话总结

该论文提出了一种多层级深度集成（MLDE）模型，通过在端到端训练过程中结合多尺度特征提取与自适应加权，将四个预训练的ResNet-50网络融合，用于皮肤病变在皮肤镜图像中的分类。该模型在ISIC 2018验证数据集上实现了86.5%的平均AUC，优于单个ResNet-50模型的表现。

ABSTRACT

A multi-level deep ensemble (MLDE) model that can be trained in an 'end to end' manner is proposed for skin lesion classification in dermoscopy images. In this model, four pre-trained ResNet-50 networks are used to characterize the multiscale information of skin lesions and are combined by using an adaptive weighting scheme that can be learned during the error back propagation. The proposed MLDE model achieved an average AUC value of 86.5% on the ISIC-skin 2018 official validation dataset, which is substantially higher than the average AUC values achieved by each of four ResNet-50 networks.

研究动机与目标

• 通过利用深度神经网络的多尺度特征，提升皮肤镜图像中皮肤病变分类的准确性。
• 解决皮肤镜图像中病变在不同尺度下外观不一致的挑战。
• 开发一种可端到端训练的集成模型，自适应地融合多个深度特征以提升性能。
• 在ISIC 2018皮肤病变分类基准上超越单个深度学习模型的表现。
• 引入一种可学习的自适应加权机制，以增强多个ResNet-50网络之间的特征融合。

提出的方法

• 使用四个预训练的ResNet-50网络，从皮肤镜图像中提取多尺度表征。
• 在多个层级上融合ResNet-50网络不同层的特征，以捕捉病变的分层特性。
• 引入一种自适应加权机制，该机制在反向传播过程中学习，以优化特征融合。
• 整个模型以端到端方式训练，实现特征提取与融合的联合优化。
• 使用标准反向传播训练集成模型，损失函数旨在最小化分类误差。
• 最终预测通过聚合四个ResNet-50分支的加权输出生成。

实验结果

研究问题

• RQ1 多层级深度集成模型是否能通过融合多个ResNet-50网络的多尺度特征，提升皮肤病变分类性能？
• RQ2 可端到端训练的自适应加权机制是否能增强皮肤镜图像分析中的特征融合与分类准确性？
• RQ3 在ISIC 2018验证集上，所提出的MLDE模型与单个ResNet-50模型相比，AUC表现如何？
• RQ4 深度网络提取的多尺度表征在皮肤镜图像中对鲁棒的病变分类贡献有多大？
• RQ5 可学习的融合机制是否能在皮肤病变分类中超越固定或启发式融合策略？

主要发现

• 所提出的MLDE模型在ISIC 2018官方验证数据集上实现了86.5%的平均AUC。
• 该性能显著优于集成中使用的每个单独ResNet-50网络的平均AUC。
• 训练过程中学习到的自适应加权机制有效提升了特征融合与分类鲁棒性。
• 多层级特征提取策略成功捕捉了不同尺度下的病变特征。
• 端到端训练范式相比独立训练基础网络，实现了对集成模型更优的优化。
• 该模型在复杂多变的皮肤镜图像中表现出强大的泛化能力。