• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IFIP TC 5, TC 12, WG 8.4, WG 8.9, WG 12.9 International Cross-Domain Conference for Machine Learning and Knowledge Extraction >A Study on the Fusion of Pixels and Patient Metadata in CNN-Based Classification of Skin Lesion Images
【24h】

A Study on the Fusion of Pixels and Patient Metadata in CNN-Based Classification of Skin Lesion Images

机译：基于CNN的皮肤病变图像分类中像素与患者元数据的融合研究

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We present a study on the fusion of pixel data and patient metadata (age, gender, and body location) for improving the classification of skin lesion images. The experiments have been conducted with the ISIC 2019 skin lesion classification challenge data set. Taking two plain convolutional neural networks (CNNs) as a baseline, metadata are merged using either non-neural machine learning methods (tree-based and support vector machines) or shallow neural networks. Results show that shallow neural networks outperform other approaches in all overall evaluation measures. However, despite the increase in the classification accuracy (up to +19.1%), interestingly, the average per-class sensitivity decreases in three out of four cases for CNNs, thus suggesting that using metadata penalizes the prediction accuracy for lower represented classes. A study on the patient metadata shows that age is the most useful metadatum as a decision criterion, followed by body location and gender.
机译：我们提出了一项关于像素数据与患者元数据（年龄，性别和身体位置）融合的研究，以改善皮肤病变图像的分类。实验是使用ISIC 2019皮肤病变分类挑战数据集进行的。以两个普通的卷积神经网络（CNN）为基准，使用非神经机器学习方法（基于树和支持向量机）或浅层神经网络合并元数据。结果表明，在所有总体评估指标中，浅层神经网络的性能优于其他方法。但是，尽管分类精度提高了（最高+ 19.1％），但有趣的是，CNN的平均每类敏感性在四分之三的情况下降低了，因此，建议使用元数据会损害较低表示类别的预测准确性。对患者元数据的研究表明，年龄是最有用的元数据作为决策标准，其次是身体位置和性别。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号