典型文献
基于Self-Attention StyleGAN的皮肤癌图像生成与分类
文献摘要：
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.
文献关键词：
黑色素瘤;皮肤癌病变图像生成与分类;ResNeXt;StyleGAN;深度卷积神经网络
中图分类号：
作者姓名：
赵宸;帅仁俊;马力;刘文佳;吴梦麟
作者机构：
南京工业大学 计算机科学与技术学院,南京 211816;南京市卫生信息中心,南京 210003;南京医科大学附属常州第二人民医院,江苏 常州 213003
文献出处：
引用格式：
[1]赵宸;帅仁俊;马力;刘文佳;吴梦麟-.基于Self-Attention StyleGAN的皮肤癌图像生成与分类)[J].计算机工程与应用,2022(18):111-121
A类：
ISIC2019,皮肤癌病变图像生成与分类
B类：
Self,Attention,StyleGAN,黑色素瘤,分类任务,样本数量,对抗生成网络,图像质量,样式,生成对抗网络,SE,ResNeXt,像样,样本生成,分类框架,自注意力机制,生成器,重新设计,鉴别器,不同层次,层次特征,特征图,BMA,上生,图像分类,皮肤科医生,深度卷积神经网络
AB值：
0.228614
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
