Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification

要約

この論文は、希少皮膚疾患の診断精度を高めるサブクラスター認識ネットワーク (SCAN) と呼ばれる新しいアプローチを導入することにより、少数発皮膚疾患分類の問題に取り組んでいます。
SCAN の設計の動機となった重要な洞察は、クラス内の皮膚疾患画像が、外観の明確な変化を特徴とする複数のサブクラスターを示すことが多いという観察です。
少数ショット学習のパフォーマンスを向上させるために、各疾患クラス内の固有のサブクラスター表現をキャプチャする高品質の特徴エンコーダーの学習に焦点を当て、特徴分布のより適切な特性評価を可能にします。
具体的には、SCAN はデュアル ブランチ フレームワークに従っています。最初のブランチは、さまざまな皮膚疾患を区別するためにクラスごとの特徴を学習し、2 番目のブランチは、サブクラスター化された状態を維持するために、各クラスをいくつかのグループに効果的に分割できる特徴を学習することを目的としています。
各クラス内の構造。
2 番目の分岐の目的を達成するために、教師なしクラスタリングを介して画像の類似性を学習するためのクラスター損失を提示します。
各サブクラスター内のサンプルが同じクラスに由来することを保証するために、教師なしクラスター化の結果を改良するために純度損失をさらに設計します。
我々は、少数発皮膚疾患分類のための 2 つの公開データセットで提案されたアプローチを評価します。
実験結果は、SD-198 および Derm7pt データセットの感度、特異性、精度、F1 スコアの点で、当社のフレームワークが最先端の手法よりも約 2% ～ 5% 優れていることを検証しています。

要約(オリジナル)

This paper addresses the problem of few-shot skin disease classification by introducing a novel approach called the Sub-Cluster-Aware Network (SCAN) that enhances accuracy in diagnosing rare skin diseases. The key insight motivating the design of SCAN is the observation that skin disease images within a class often exhibit multiple sub-clusters, characterized by distinct variations in appearance. To improve the performance of few-shot learning, we focus on learning a high-quality feature encoder that captures the unique sub-clustered representations within each disease class, enabling better characterization of feature distributions. Specifically, SCAN follows a dual-branch framework, where the first branch learns class-wise features to distinguish different skin diseases, and the second branch aims to learn features which can effectively partition each class into several groups so as to preserve the sub-clustered structure within each class. To achieve the objective of the second branch, we present a cluster loss to learn image similarities via unsupervised clustering. To ensure that the samples in each sub-cluster are from the same class, we further design a purity loss to refine the unsupervised clustering results. We evaluate the proposed approach on two public datasets for few-shot skin disease classification. The experimental results validate that our framework outperforms the state-of-the-art methods by around 2% to 5% in terms of sensitivity, specificity, accuracy, and F1-score on the SD-198 and Derm7pt datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google