AFLN-DGCL: Adaptive Feature Learning Network with Difficulty-Guided Curriculum Learning for skin lesion segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background and problems: Automated skin lesion segmentation is a crucial step in the whole computer-aided (CAD) skin disease process. Recently, the fully convolutional network (FCN) has achieved outstanding performance on this task. However, it remains challenging because of three problems: (1) the difficult cases on dermoscopy images, including low contrast lesion, bubble and hair occlusion cases; (2) the overfitting problem of FCN-based methods that is caused by the imbalanced training of difficult samples and easy samples; (3) the over-segmentation problem of FCN-based methods. Method: This work proposes a new skin lesion segmentation framework. Specifically, feature representations from dermoscopy images are learned by the Adaptive Feature Learning Network (AFLN). An ensemble learning method is introduced to build a fusion model, enabling the AFLN model to capture the multi-scale information. We propose a Difficulty-Guided Curriculum Learning (DGCL) with step-wise training strategy to handle the overfitting problem caused by the imbalanced training. Finally, a Selecting-The-Biggest-Connected-Region (STBCR) is proposed to alleviate the over-segmentation problem of the fusion model. Experimental results: The method performance is compared using the same defined metrics (DICE, JAC, and ACC) with other state-of-the-art works on publicly available ISIC 2016, ISIC 2017, and ISIC 2018 databases, and results (0.931, 0.875, and 0.966), (0.881, 0.807, and 0.948), and (0.920, 0.856, and 0.966) illustrate its advantages. Conclusion: The excellent and robust performances on three public databases proved that our method has the potential to be applied to CAD skin diseases diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle