Skin Lesion Recognition with Class-Hierarchy Regularized Hyperbolic Embeddings

要約

実際には、多くの医療データセットには、疾患ラベル空間で定義された基本的な分類法があります。
ただし、医療診断用の既存の分類アルゴリズムは、多くの場合、意味的に独立したラベルを前提としています。
この研究では、より正確で信頼性の高い皮膚病変認識のために、深層学習アルゴリズムでクラス階層を活用することを目指しています。
画像の埋め込みとクラス プロトタイプを一緒に学習する双曲線ネットワークを提案します。
双曲線は、ユークリッド幾何学よりも優れた階層関係をモデル化するためのスペースを提供することが証明されています。
一方、クラス階層からエンコードされた距離行列を使用して、双曲線プロトタイプの分布を制限します。
したがって、学習されたプロトタイプは、埋め込み空間でセマンティック クラス関係を保持し、その特徴を最も近い双曲線クラス プロトタイプに割り当てることによって、画像のラベルを予測できます。
65 の皮膚疾患に関する約 230,000 のダーモスコープ画像で構成される社内の皮膚病変データセットを使用して、この方法を検証します。
広範な実験により、私たちのモデルは、クラス関係を考慮しないモデルよりも重大な分類エラーが少なく、より高い精度を達成できるという証拠が得られます。

要約(オリジナル)

In practice, many medical datasets have an underlying taxonomy defined over the disease label space. However, existing classification algorithms for medical diagnoses often assume semantically independent labels. In this study, we aim to leverage class hierarchy with deep learning algorithms for more accurate and reliable skin lesion recognition. We propose a hyperbolic network to learn image embeddings and class prototypes jointly. The hyperbola provably provides a space for modeling hierarchical relations better than Euclidean geometry. Meanwhile, we restrict the distribution of hyperbolic prototypes with a distance matrix that is encoded from the class hierarchy. Accordingly, the learned prototypes preserve the semantic class relations in the embedding space and we can predict the label of an image by assigning its feature to the nearest hyperbolic class prototype. We use an in-house skin lesion dataset which consists of around 230k dermoscopic images on 65 skin diseases to verify our method. Extensive experiments provide evidence that our model can achieve higher accuracy with less severe classification errors than models without considering class relations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google