[论文解读] Image Classification of Melanoma, Nevus and Seborrheic Keratosis by Deep Neural Network Ensemble

Kazuhisa Matsunaga, Akira Hamada+2 more|arXiv (Cornell University)|Mar 9, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用 133

一句话总结

作者使用深度神经网络集成用于 ISBI/ISIC 2017 病变分类，在在线验证中获得 0.958 分，黑色素瘤 AUC 0.924，脂溢性角化病变 AUC 0.993。

ABSTRACT

This short paper reports the method and the evaluation results of Casio and Shinshu University joint team for the ISBI Challenge 2017 - Skin Lesion Analysis Towards Melanoma Detection - Part 3: Lesion Classification hosted by ISIC. Our online validation score was 0.958 with melanoma classifier AUC 0.924 and seborrheic keratosis classifier AUC 0.993.

研究动机与目标

• 推动在 ISIC/ISBI 挑战中对皮肤病变（黑色素瘤、痣、脂溢性角化病变）实现更高的自动分类准确性。
• 将深度神经网络集成应用于病变分类以提升准确性。
• 报告基于 ISIC 2017 数据的评估结果和在线验证性能。

提出的方法

• 训练并对多个人工神经网络进行集成用于皮肤病变分类。
• 在 ISIC 2017 ISBI Challenge 数据（Part 3: Lesion Classification）上进行评估。
• 报告在线验证性能及各类别（黑色素瘤、脂溢性角化病变）的 AUC 指标。

实验结果

研究问题

• RQ1 在黑色素瘤、痣和脂溢性角化病变的分类中，深度神经网络集成是否优于单模型？
• RQ2 该集成在 ISIC 2017 数据上的在线验证性能（分数及类别级 AUC）是多少？
• RQ3 在集成框架内，黑色素瘤的 AUC 与脂溢性角化病变的 AUC 有何比较？

主要发现

• 在线验证分数：0.958。
• 黑色素瘤分类器 AUC：0.924。
• 脂溢性角化病变分类器 AUC：0.993。