科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对以黑色素瘤为代表的皮肤癌分类任务存在数据集各类样本数量、权重不均衡，且现有的对抗生成网络生成的皮肤癌样本图像质量较差导致临床诊断时难以分辨等问题，提出了一种基于自注意力的样式生成对抗网络（Self-Attention-StyleGAN）与SE-ResNeXt-50相结合的皮肤癌图像样本生成与分类框架。该框架在样式生成对抗网络（StyleGAN）的基础上引入了自注意力机制，对生成器的样式控制和噪声输入结构进行了重新设计，并重构了鉴别器对图像生成器进行了调整，从而有效地合成高质量的皮肤癌病变图像。使用SE-ResNeXt-50来对皮肤癌样本图像进行分类，更好地提取样本图像不同层次特征图的信息，从而提高了平衡多类精度（BMA）。实验结果表明，该模型在ISIC2019皮肤癌数据集上生成的样本图像质量较高，且分类BMA达到94.71%。该方法提高了皮肤癌病变图像分类的准确性，帮助皮肤科医生对不同类型的皮肤癌病变进行判断和诊断，并对不同阶段和难以区分的皮肤癌病变进行分析。
- 单位
