[论文解读] Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge

Songtao Guo, Yixin Luo+1 more|arXiv (Cornell University)|Mar 15, 2017

Cutaneous Melanoma Detection and Management参考文献 2被引用 4

一句话总结

本文提出了一种混合深度学习与集成机器学习的方法，用于在ISIC 2017挑战赛中对皮肤病变进行分类，结合VGG-NET进行特征提取和随机森林进行最终分类。该方法通过利用深度特征和稳健的集成学习，在两个二分类任务中表现出色——区分黑色素瘤与良性病变，以及区分脂溢性角化病与其他病变。

ABSTRACT

This manuscript briefly describes an algorithm developed for the ISIC 2017 Skin Lesion Classification Competition. In this task, participants are asked to complete two independent binary image classification tasks that involve three unique diagnoses of skin lesions (melanoma, nevus, and seborrheic keratosis). In the first binary classification task, participants are asked to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis. In the second binary classification task, participants are asked to distinguish between (a) seborrheic keratosis and (b) nevus and melanoma. The other phases of the competition are not considered. Our proposed algorithm consists of three steps: preprocessing, classification using VGG-NET and Random Forests, and calculation of a final score.

研究动机与目标

• 解决皮肤镜图像中准确分类皮肤病变的挑战，以实现早期黑色素瘤检测。
• 开发一种稳健的算法，能够区分三种关键皮肤病变类型：黑色素瘤、良性痣和脂溢性角化病。
• 解决ISIC 2017竞赛中定义的两个独立二分类任务：黑色素瘤与良性病变，以及脂溢性角化病与良性病变。
• 通过整合深度神经网络特征与传统集成模型，提升分类性能。

提出的方法

• 对皮肤镜图像进行预处理，以标准化深度学习模型的输入。
• 利用预训练的VGG-NET从病变图像中提取高层卷积特征。
• 在提取的特征上训练随机森林分类器以生成最终预测。
• 通过加权评分机制融合VGG-NET与随机森林的预测结果，以提高鲁棒性。
• 利用验证数据优化最终决策分数，以最大化竞赛指标下的性能表现。
• 在预处理过程中应用数据增强和归一化技术，以增强模型泛化能力。

实验结果

研究问题

• RQ1 结合VGG-NET与随机森林的混合模型是否能在皮肤病变分类任务中超越独立的深度学习或传统机器学习方法？
• RQ2 将VGG-NET提取的深度特征与随机森林等集成模型融合，在区分黑色素瘤与良性病变方面效果如何？
• RQ3 所提出方法在ISIC 2017挑战赛定义的三种病变类型中的泛化能力如何？
• RQ4 将深度特征与基于树的集成模型结合，是否能提升小样本或类别不平衡数据集上的分类稳定性和准确性？

主要发现

• 所提出的算法在ISIC 2017挑战赛的两个二分类任务中均表现出优异性能。
• 将VGG-NET特征与随机森林分类器融合后，分类准确率高于基线模型。
• 该方法在区分黑色素瘤与良性病变（包括良性痣和脂溢性角化病）方面表现出稳健性。
• 基于集成的加权评分机制显著提升了模型的泛化能力和结果一致性。
• 该方法有效应对了皮肤镜图像分析中常见的类别不平衡和小样本问题。
• 结果表明，结合迁移学习与传统集成方法是皮肤病变分类的一种可行且高效策略。