基于自反馈阈值学习的半监督皮肤癌诊断模型

为解决监督学习皮肤癌诊断模型的训练需要大量数据标注,且医学专家标注工作成本高、耗时长、易疲劳等问题,提出了一种基于自反馈阈值学习(Self-Feedback Threshold Learning,SFTL)的半监督皮肤癌诊断方法.在标注数据预训练的ResNet网络基础上,引入全局和局部类别间伪标签自反馈阈值学习机制动态筛选ResNet预测概率大于自反馈阈值的无标记样本,引入无监督阈值学习损失和分类交叉熵损失进行模型训练,在标记样本稀缺的情况下深入挖掘无标记数据的鉴别诊断信息,显著降低模型在无标记皮肤病变图像中的误判率.选取公开数据集HAM10000的皮肤病变图像展开实验验证,在仅需50%标记数据下实现了0.8229的准确率和0.7651的F1分数,证明所提出的SFTL模型在半监督场景下可有效解决皮肤癌诊断任务,相比其他同类方法具有更好的分类性能.