Siamese Neural Networks for Skin Cancer Classification and New Class Detection using Clinical and Dermoscopic Image Datasets

要約

皮膚がんは、世界で最も一般的な悪性腫瘍です。
自動化された皮膚がんの検出により、早期発見率が大幅に向上し、死亡を防ぐことができます。
この目的を支援するために、ディープ ラーニング システムのトレーニングに使用できる多くのデータセットがリリースされました。これらは、分類に関して印象的な結果を生み出しています。
しかし、これは彼らが訓練を受けているクラスでのみ機能しますが、彼らは以前に見られなかったクラスから皮膚病変を特定することができず、臨床使用を助長しません.
可能性のあるすべての皮膚病変を含めることで、データセットを大幅に増やすことができますが、これでは常にいくつかのクラスが除外されます.
代わりに、シャム ニューラル ネットワーク (SNN) を評価します。これにより、皮膚病変の画像を分類できるだけでなく、トレーニング済みのクラスとは異なる画像を識別できるようになり、画像が例ではないことを判断できるようになります。
私たちのトレーニングクラスの。
皮膚病変のダーモスコピー画像と臨床画像の両方で SNN を評価します。
臨床データセットとダーモスコピー データセットで、それぞれ 74.33% と 85.61% のトップ 1 分類精度レベルを取得します。
これは最先端の結果よりもわずかに低いですが、SNN アプローチには、クラス外の例を検出できるという利点があります。
私たちの結果は、SNNアプローチの可能性と、将来の臨床展開への道筋を強調しています。

要約(オリジナル)

Skin cancer is the most common malignancy in the world. Automated skin cancer detection would significantly improve early detection rates and prevent deaths. To help with this aim, a number of datasets have been released which can be used to train Deep Learning systems – these have produced impressive results for classification. However, this only works for the classes they are trained on whilst they are incapable of identifying skin lesions from previously unseen classes, making them unconducive for clinical use. We could look to massively increase the datasets by including all possible skin lesions, though this would always leave out some classes. Instead, we evaluate Siamese Neural Networks (SNNs), which not only allows us to classify images of skin lesions, but also allow us to identify those images which are different from the trained classes – allowing us to determine that an image is not an example of our training classes. We evaluate SNNs on both dermoscopic and clinical images of skin lesions. We obtain top-1 classification accuracy levels of 74.33% and 85.61% on clinical and dermoscopic datasets, respectively. Although this is slightly lower than the state-of-the-art results, the SNN approach has the advantage that it can detect out-of-class examples. Our results highlight the potential of an SNN approach as well as pathways towards future clinical deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google