Dermatologist-levelclassification of skin cancer with deepneural networks论文笔记

Dermatologist-levelclassification of skin cancer

with deepneural networks

摘要：皮肤癌是人类最常见的恶性肿瘤，目前主要是通过视觉诊断的。一般首先是临床筛查，之后可能需要皮肤镜分析、活检和组织病理学检查。使用图像的皮肤病变自动分类是一个具有挑战性的任务，因为皮肤病变的外观是一种细粒度的变化。深度卷积神经网络（CNN）在多种细粒度对象分类的通用的及高度可变的任务中都显示出了潜力。在这里，我们展示了使用一个单一的深度卷积神经网络进行皮肤病变分类的过程，该网络仅使用像素和疾病标签作为输入，直接从图像中端到端地训练出来。我们使用 129450 个临床图像的数据集——大于以前的数据集两个数量级，包含了 2032 种不同的疾病——训练了一个深度卷积网络。我们使用两个关键的二进制分类用例：角质形成细胞癌（keratinocyte carcinomas）vs 良性脂溢性角化病（benign seborrheic keratoses）；恶性黑色素瘤 vs 普通的痣，在 21 位经过认证的皮肤科医生的监督下，测试了它在活检证实的临床图像上的性能。第一例代表最常见的癌症的识别，第二例代表了最致命的皮肤癌的识别。深度卷积神经网络在这两个任务上的表现都达到了所有测试的专家的水平，证明了该人工智能的皮肤癌鉴定水平达到了媲美皮肤科医生的水平。配备该深度神经网络的移动设备可以让皮肤科医生的诊断拓展到临床之外。据预测，到 2021 年，将有 63 亿智能手机订阅该功能，实现低成本的重要诊断。

 

一、 数据库

本论文数据集来源于四个数据库，通过整合得到最后的实验数据集。很可惜，并没有公开。

 

二、 论文时间与作者单位

Department of Electrical Engineering, StanfordUniversity, Stanford, California, USA.

2 February 2017    |    Nature

三、 主要思想

本论文主要将分类问题分级处理。叶子节点代表一种具体的皮肤病。父节点代表概括类别。父节点通过分类网络得到的概率等于其子节点的概率之和。

 

本论文实验有2个级别，3分类和9分类，具体分类如下表：

本论文做了可视化，方便读者理解。

四、 网络模型

具体的实验步骤如下：

1.  将待分类的皮肤病图像通过Inception-v3网络进行预训练得到757种皮肤病分类。

2.  概率求和得到大的分类。良性肿瘤、恶性肿瘤。

3.  针对每一个实验，分别与25、22、21皮肤病专家进行比较，绘制出特异性-敏感性的结果分析图。

4.  预计到2021年，普通病人可以通过手机拍照，上传app检测皮肤病。

五、 效果

虽然本实验的分类精度只有55%-72%左右，看起来很差，但在不通过活检，仅仅通过图片特征的初筛已经略超过专家水平。