上下文空间与实例信息的皮肤镜图像自监督分类

摘要: 针对基于深度学习的皮肤疾病检测方法受限于皮肤镜图像标注难度大、成本高、耗时耗力等问题，本文提出了一种针对皮肤镜图像的自监督学习方法，利用无标注的皮肤镜图像来提高皮肤疾病分类准确率。根据皮肤镜图像空间结构相似度高、信息单一的特点，使用基于旋转预测自监督代理任务，通过模型预测图像旋转的角度，约束模型对图像病变区域的关注，学习上下文空间特征；同时使用个体判别任务，利用正负样本对比学习，获得皮肤镜图像实例信息，为皮肤镜图像的分类提供全局分类信息指导；融合上下文空间特征与实例语义信息得到初始的皮肤疾病检测模型。实验结果表明：本文所提的自监督学习方法，从无标记的皮肤镜样本挖掘出重要信息，更有效地关注皮肤镜图像病变区域，通过融合皮肤镜图像特征信息，使分类结果更加准确。

• 关键词: 
• 皮肤病诊断  /  
• 自监督学习  /  
• 特征提取  /  
• 图像分类  /  
• 迁移学习  /  
• 卷积神经网络  /  
• 医学图像处理  /  
• 辅助诊断 

皮肤病变通常是指黑色素、棕色色素导致皮肤呈现棕色、黑色甚至蓝色，被称为色素沉着皮肤病。虽然大多数情况下是良性的，但在某些情况下，色素沉着皮肤病可能是恶性的皮肤癌症。据美国癌症协会统计，有将近 1/51/5 的美国人会在一生中患上皮肤癌[1]，并且过去30年中皮肤癌的数量比其他癌症数量之和还多[2]。恶性皮肤癌具有恶性程度高、转移速度快、难以发现等特点。因此，研究一种有效的皮肤疾病检测技术，精准并且快速地早期诊断皮肤癌症有着重要的现实意义。

随着人工智能