불균형 소규모 데이터셋을 위한 피부 병변 분류에 대한 단일 모델 심층 학습

심층 합성 곱 신경망(DCNN) 모델은 피부 질병 진단을 위해 광범위하게 연구되었으며, 그 중 일부는 피부과 의사와 비교하거나 심지어 뛰어난 진단 결과를 성취한 바 있습니다. 그러나 피부 질병 탐지에 대한 DCNN의 광범위한 구현은 공공에 접근 가능한 피부 병변 데이터셋의 소규모 및 데이터 불균형으로 인해 저해받고 있습니다. 본 논문은 소규모 및 불균형 데이터셋에서 피부 병변 분류를 위한 새로운 단일 모델 기반 전략을 제안합니다. 첫째, 다양한 DCNN이 서로 다른 소규모 및 불균형 데이터셋에서 훈련되어 적절한 복잡성을 가진 모델이 더 큰 모델보다 성능이 우수함을 검증합니다. 둘째, 과적합을 줄이기 위해 정규화 DropOut 및 DropBlock이 추가되고, 소규모 데이터셋의 샘플 부족 문제를 해결하기 위해 수정된 RandAugment 증강 전략이 제안됩니다. 마지막으로, 불균형 샘플 크기 및 분류 난이도의 문제를 극복하고, 기이한 샘플이 훈련에 미치는 영향을 줄이기 위해 새로운 다중 가중치 손실(MWNL) 함수와 종단 간 누적 학습 전략(CLS)이 도입됩니다. 수정된 RandAugment, MWNL, CLS를 결합함으로써, 우리의 단일 DCNN 모델 방식은 다양한 피부 경과 이미지 데이터셋에서 여러 모델 집합 모델과 비교하거나 이를 초월하는 분류 정확도를 달성했습니다. 우리의 연구는 이 방법이 낮은 계산 자원 및 추론 시간으로 높은 분류 성능을 달성할 수 있으며, 저자원 환경에서 피부 병변 및 기타 악성 종양의 자동 선별을 위해 모바일 장치에 구현할 수 있을 가능성 있음을 보여줍니다.