Multi-Task Contrastive Learning for Skin Lesion Classification and Segmentation
Notice bibliographique
Résumé
Accurate skin lesion classification and segmentation from dermoscopic images are essential for the early and effective diagnosis and management of skin cancer. This study aims to develop and evaluate a multi-task convolutional neural network (CNN) that integrates contrastive learning and attention mechanisms for improved feature representations and task-specific performance. We propose the convolution attention (CA) Y-Net, a dual-branch CNN architecture with separate classification and segmentation branches decoding features from a shared encoder. Lesion type is predicted from a global representation that captures salient lesion features, the generation of which in the classification branch is guided by convolutional block attention modules (CBAMs) to enhance focus on the most informative regions. CBAMs are also applied to highlight encoder features, which are then passed to the segmentation decoder via skip connections. The segmentation decoder is further enhanced with deep supervision at multiple decoding stages. To jointly optimize both tasks, we introduce a multi-task contrastive (MuCo) loss, which contrasts lesion and background representations. In addition to pixel-level contrast in the segmentation encoder, MuCo loss introduces a novel cross-branch component that contrasts the global lesion representation from the classification branch with local background representations from the segmentation branch. The model was evaluated on the ISIC 2017 challenge dataset. Both the MuCo loss and CBAMs independently improved classification and segmentation performance, with deep supervision further enhancing segmentation. CA Y-Net achieved the highest mean area under the receiver operating characteristic curve (AUC) for melanoma and seborrheic keratosis classification (92.8%) and the highest Jaccard Index for lesion segmentation (79.6%) among the state-of-the-art methods compared. The high performance afforded by CA Y-Net could potentially enable more accurate diagnosis and quantitative monitoring of skin lesions in clinical applications.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».