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.

超声联合X线检查对皮肤癌诊断及临床治疗的价值分析

目的:分析超声联合X线检查对皮肤癌诊断的效果及维替泊芬对治疗皮肤癌的临床价值。方法:选取2019年6月-2020年4月在我院确诊为皮肤癌并接受治疗的48例皮肤癌患者为研究对象,随机分为观察组和对照组,各24例。主要以病理活检为确诊依据,其他检查辅助确诊,其中就单一的超声检查、X线检查及超声联合X线的检查结果进行分析,对照组实施传统的化疗,观察组用维替泊芬再强化治疗,对比不同组别的临床治疗效果。结果:单一的超声检查(81.25%)和X线检查(75%)阳性率低于超声联和X线检查(100%),主要表现在前者的阳性检查率低,后者能提高阳性检查率。且传统放化疗的不良反应及较高,不良反应发生率为79.17%,而合并维替泊芬治疗能显著的减轻不良反应,不良反应发生率为12.5%。结论:在皮肤癌的诊断过程中,要充分利用超声联和X线检查提高诊断率以及诊断的准确率,利用维替泊芬能提高治疗效果,减轻药物的不良反应,提高皮肤癌患者的生命质量。

融合迁移学习和数据增强的SC-Net模型在皮肤癌识别中的应用

为了解决皮肤癌诊断模型中性能无法满足临床应用要求,对于少数类别诊断精度不高的问题,提出一种基于迁移学习和数据增强的皮肤癌诊断模型SC-Net(skin cancer-net)。首先,引入ECA注意力模块,把DenseNet-201在ImageNet数据集上的预训练模型在皮肤癌数据集上进行微调训练并提取图像隐含高层次特征;然后融合一般性统计特征,并且通过SMOTE过采样技术以增强少数类别数据;最后,将数据输入XGBoost模型进行训练,最终得到SC-Net分类模型。实验结果表明,SC-Net模型在准确率、灵敏度、特异度三个指标上达到99.25%、99.25%和99.88%,诊断准确率相对于已有文献精度提升约0.6%~18.7%,并且对于皮肤纤维瘤、光化性角化病等少数类别具备更强的分类能力。