記事タイトル
弱い教師による細粒度手法を使用した皮膚病変の分類
記事の出典
2020 第 25 回パターン認識国際会議 (ICPR)
著者の動機
畳み込みニューラル ネットワーク (CNN) に基づいた皮膚疾患の分類に関する既存の研究は数多くありますが、異なる病変間の類似性に関する研究はほとんどありません。たとえば、黒色腫 (悪性) とほくろ (良性) は外観が非常に似ていますが、困難です。ニューラルネットワークが区別するためのものです。
著者のアイデア
空間アテンションとチャネル アテンションは、特徴マップを強化し、弱く監視された方法で顕著な領域に焦点を当てるようにネットワークを誘導するために使用されます。精度を向上させるために、コンポーネントの削除やデータの増強などの前処理方法も使用されます。
ネットワークアーキテクチャ
入力画像の場合、最初に後続の特徴抽出への影響を避けるためにコンポーネントが削除され、次にネットワークが画像ラベルに基づいて画像を強化する必要があるかどうかを判断します。ほくろについては他の 2 つよりもはるかに多くのデータがあるため、著者らは黒色腫と脂漏性角化症についてのみデータ増強を実行しました。その後、ネットワークは 2 つのブランチに分割されます。上のブランチは CNN を使用して完全な画像からグローバルな特徴を抽出し、下のブランチは DRPM モジュールで、情報量が最も多い領域を出力し、画像サイズを調整して CNN に送信してローカルな特徴を抽出します。最後の 2 つのブランチが一緒にスプライスされて最終結果が得られます
DRPM モジュールには、次の 4 つのモジュールが含まれています。
- 注意モジュール:
「太字部分」の説明
部品の削除: まず 3 チャネル画像を 1 チャネルのグレースケール画像に変換し、次に画像に対して形態学的変換を実行してノイズを除去します。次に、17*17 カーネルを設定してブラックハット演算を実行して部品の輪郭を強調表示します。画像内のオブジェクトを抽出して背景と部分を区別するために使用する、しきい値操作を実行します。最後のステップは修復操作で、上記のステップによって生じたイメージの損傷を修復します。修復操作は、閾値操作に基づいて得られた 2 値画像です。領域境界付近のピクセルを使用して、削除された部分のピクセルが再構成されます。次の図は、コンポーネントの削除前 (a) と削除後 (b) の例です。 :
データ拡張: データ拡張の目標は、サンプルが少ないカテゴリの数を増やして、各カテゴリのバランスが比較的取れるようにすることです。データ拡張には、色調整、ランダムなトリミング、ランダムな反転、放射状変換など、さまざまな方法があります。以下はデータ拡張のレンダリングです。