[论文解读] New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor

Mehmet Bayğın, Türker Tuncer+1 more|arXiv (Cornell University)|Mar 28, 2022

Cutaneous Melanoma Detection and Management被引用 9

一句话总结

该论文提出了一种新颖的金字塔形混合特征融合模型，结合深度学习（Ensemble DarkNet19 和 DarkNet53）与手工设计的纹理特征（DWT、LPQ、LBP），用于自动皮肤癌分类。通过邻域成分分析（NCA）筛选出前1000个特征，模型在90:10的训练-测试划分下实现了95.74%的准确率，展现出在皮肤科诊断支持方面的强劲性能。

ABSTRACT

Background: Skin cancer is one of the widely seen cancer worldwide and automatic classification of skin cancer can be benefited dermatology clinics for an accurate diagnosis. Hence, a machine learning-based automatic skin cancer detection model must be developed. Material and Method: This research interests to overcome automatic skin cancer detection problem. A colored skin cancer image dataset is used. This dataset contains 3297 images with two classes. An automatic multilevel textural and deep features-based model is presented. Multilevel fuse feature generation using discrete wavelet transform (DWT), local phase quantization (LPQ), local binary pattern (LBP), pre-trained DarkNet19, and DarkNet53 are utilized to generate features of the skin cancer images, top 1000 features are selected threshold value-based neighborhood component analysis (NCA). The chosen top 1000 features are classified using the 10-fold cross-validation technique. Results: To obtain results, ten-fold cross-validation is used and 91.54% classification accuracy results are obtained by using the recommended pyramidal hybrid feature generator and NCA selector-based model. Further, various training and testing separation ratios (90:10, 80:20, 70:30, 60:40, 50:50) are used and the maximum classification rate is calculated as 95.74% using the 90:10 separation ratio. Conclusions: The findings and accuracies calculated are denoted that this model can be used in dermatology and pathology clinics to simplify the skin cancer detection process and help physicians.

研究动机与目标

• 为解决皮肤科诊所中对准确、自动化皮肤癌检测日益增长的需求。
• 通过融合皮肤病变图像中的多层次深度特征与纹理特征，提升分类性能。
• 利用邻域成分分析（NCA）开发一种稳健的特征选择方法，以识别最优特征子集。
• 通过多种训练-测试数据划分评估模型性能，确保泛化能力。
• 提供一种临床可行的工具，支持病理科医生与皮肤科医生实现早期皮肤癌诊断。

提出的方法

• 该模型整合了预训练的DarkNet19与DarkNet53网络提取的深度特征，用于分层表征学习。
• 通过离散小波变换（DWT）、局部相位量化（LPQ）和局部二值模式（LBP）在多尺度下提取纹理特征。
• 采用金字塔融合策略，将这些多层次特征整合为统一表征，以增强判别能力。
• 应用邻域成分分析（NCA）基于类别可分性筛选出最具有信息量的前1000个特征。
• 采用10折交叉验证策略进行模型评估与超参数调优。
• 进一步在不同训练-测试比例（如90:10、80:20等）下验证性能，以评估模型鲁棒性。

实验结果

研究问题

• RQ1 混合融合深度特征与手工纹理特征是否能提升皮肤癌分类的准确率？
• RQ2 邻域成分分析（NCA）在高维特征空间中选择最具判别性的特征方面效果如何？
• RQ3 在皮肤病变分类中，最大化分类性能的最优训练-测试数据划分是什么？
• RQ4 所提出的金字塔特征融合策略是否优于单一模态或非融合特征方法？
• RQ5 该模型在真实临床部署中面对不同数据划分策略时是否具备良好的泛化能力？

主要发现

• 在完整数据集上采用10折交叉验证，该模型实现了91.54%的分类准确率。
• 在90:10的训练-测试数据划分下，获得最高分类准确率95.74%，表明模型具有强大的泛化能力。
• 基于NCA的特征选择方法有效降低了维度，同时保留了类别可分性信息。
• 多层次深度特征与纹理特征的融合显著提升了模型性能，优于单一特征方法。
• 模型在多种数据划分下表现出稳健性，准确率保持一致高水平，支持临床应用。
• 结果表明，将预训练的DarkNet特征与手工纹理描述符相结合，可提升诊断可靠性。