[论文解读] Skin lesion classification with ensemble of squeeze-and-excitation networks and semi-supervised learning
本论文提出了一种基于均值教师框架的半监督学习方法，结合新型数据增强技术（包括体毛增强和类间学习），对Squeeze-and-Exciation网络（SE-ResNet101）进行集成，用于皮肤病变分类。该方法在ISIC 2018验证集上实现了87.2%的平衡准确率，显著优于基线模型，且未使用所提出的增强技术时性能明显下降。
In this report, we introduce the outline of our system in Task 3: Disease Classification of ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection. We fine-tuned multiple pre-trained neural network models based on Squeeze-and-Excitation Networks (SENet) which achieved state-of-the-art results in the field of image recognition. In addition, we used the mean teachers as a semi-supervised learning framework and introduced some specially designed data augmentation strategies for skin lesion analysis. We confirmed our data augmentation strategy improved classification performance and demonstrated 87.2% in balanced accuracy on the official ISIC2018 validation dataset.
研究动机与目标
- 提升在类别不平衡医学数据集上皮肤病变分类的准确性，特别是针对罕见的黑色素瘤类型。
- 通过利用未标注数据的半监督学习缓解恶性皮肤病变类别中的数据稀缺问题。
- 通过针对皮肤镜图像特征定制的数据增强策略，提升模型泛化能力。
- 评估新型数据增强技术（如体毛增强）在提升分类鲁棒性方面的有效性。
- 展示集成学习结合交叉验证模型在医学图像分类中的有效性。
提出的方法
- 在ISIC 2018训练数据上使用5折交叉验证，微调多个预训练的SE-ResNet101模型。
- 采用均值教师半监督学习框架，其中学生模型从标注数据和教师模型（通过权重指数移动平均生成）的一致性损失中学习。
- 应用数据增强技术，包括随机擦除、类间学习（不同类别图像间的线性插值）以及基于布丰针模型的新型体毛增强方法。
- 推理阶段使用测试时增强，通过平均五个集成模型的预测结果提升鲁棒性。
- 训练过程中进行图像归一化和均值减去，且在每次前向传播中随机应用数据增强。
- 使用Chainer深度学习框架实现该系统。
实验结果
研究问题
- RQ1基于均值教师框架的半监督学习是否能提升在类别不平衡皮肤病变数据集上的分类性能？
- RQ2在训练图像中引入合成体毛是否能增强模型的泛化能力并提高病变分类的准确性？
- RQ3与标准增强方法相比，类间学习作为数据增强策略在皮肤病变分类中的有效性如何？
- RQ4随机擦除数据增强在皮肤镜图像分类中能在多大程度上提升模型鲁棒性？
- RQ5通过这些技术微调的五个SE-ResNet101模型的集成是否能在ISIC 2018基准上达到最先进性能？
主要发现
- 所提系统在ISIC 2018官方验证数据集上实现了87.2%的平衡准确率，展现出在多类别皮肤病变分类中的强劲性能。
- 引入体毛增强显著提升了模型性能，将平衡准确率从79.2%提升至87.2%。
- 均值教师半监督学习框架有效利用了未标注数据，即使在类别不平衡情况下也提升了泛化能力。
- 类间学习和随机擦除数据增强提高了训练数据的多样性，并增强了模型鲁棒性。
- 使用交叉验证和测试时增强训练的五个SE-ResNet101模型的集成，产生了更稳定且准确的预测结果。
- 新型体毛增强方法在模拟真实世界病变图像变化方面表现有效，尤其在处理被毛发遮挡区域方面具有优势。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。