Few-shot learning for skin lesion classification: A prototypical networks approach

概化理论 分类器(UML) 人工智能 计算机科学 试验装置 机器学习 稳健性(进化) 上下文图像分类 一次性 模式识别(心理学) 图像(数学) 数学 统计 机械工程 工程类 生物化学 化学 基因
作者
Sireesha Chamarthi,Katharina Fogelberg,Jakob Gawlikowski,Titus J. Brinker
出处
期刊:Informatics in Medicine Unlocked [Elsevier]
卷期号:48: 101520-101520 被引量:1
标识
DOI:10.1016/j.imu.2024.101520
摘要

Prototypical networks (PN) have emerged as one of multiple effective approaches for few-shot learning (FSL), even in medical image classification. This study focuses on implementing a PN for skin lesion classification to assess its performance, generalizability, and robustness when applied across 11 dermoscopic image domains. Unlike conventional FSL scenarios, where the performance is evaluated for unseen classes in the test set, our analysis extends this to evaluate PNs on a complete hold-out dataset with the same classes from a different domain. Differences in a patient's age, lesion localization, or image acquisition systems variations mimic real-world cross-domain conditions in a clinic. Given the scarcity of medical datasets, this assessment is crucial for potentially translating such systems into real-world clinical settings to support physicians with the diagnosis. Our primary focus is two-fold: investigating whether a PN performs on par with a baseline classifier, even using only a limited number of reference samples from the hold-out test set (in-domain) and whether a PN can generalize to the same classes of unseen domains (cross-domain). Our analysis uncovers that a PN can perform on par with the baseline classifier in an in-domain setting, even with only a few support samples. However, in cross-domain scenarios, a PN exhibits improved performance only on specific domains, while others demonstrate similar or even decreased performance when confronted with a smaller number of images. Our findings contribute to comprehending potential opportunities and limitations of FSL in dermatological practice.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
思源应助小李采纳,获得10
刚刚
科研通AI2S应助高有财采纳,获得10
刚刚
ynn发布了新的文献求助10
1秒前
Owen应助热心的曼梅采纳,获得10
1秒前
2秒前
yongkun完成签到,获得积分10
2秒前
WspCool完成签到,获得积分10
3秒前
3秒前
Fu发布了新的文献求助10
3秒前
SYLH应助虚心盼晴采纳,获得10
4秒前
小马甲应助姜汁泡泡采纳,获得10
4秒前
guyue发布了新的文献求助10
4秒前
勤奋花瓣发布了新的文献求助10
6秒前
6秒前
WD不做科研关注了科研通微信公众号
7秒前
7秒前
8秒前
8秒前
9秒前
绘梨衣完成签到,获得积分10
9秒前
SYLH应助虚心盼晴采纳,获得10
9秒前
isa完成签到,获得积分10
10秒前
可能可能最可能不像不像不太像完成签到,获得积分10
11秒前
李健的小迷弟应助yongkun采纳,获得10
11秒前
in应助漂亮的秋天采纳,获得30
11秒前
鑫鑫子完成签到,获得积分10
11秒前
11秒前
千寻发布了新的文献求助10
12秒前
12秒前
佐佐的2xL发布了新的文献求助10
12秒前
魔幻海豚发布了新的文献求助10
12秒前
13秒前
13秒前
外向白开水完成签到 ,获得积分10
13秒前
13秒前
科研通AI5应助深情听露采纳,获得10
13秒前
14秒前
14秒前
鱼蛋丸子完成签到,获得积分10
14秒前
14秒前
高分求助中
Continuum Thermodynamics and Material Modelling 4000
Production Logging: Theoretical and Interpretive Elements 2700
Ensartinib (Ensacove) for Non-Small Cell Lung Cancer 1000
Unseen Mendieta: The Unpublished Works of Ana Mendieta 1000
El viaje de una vida: Memorias de María Lecea 800
Luis Lacasa - Sobre esto y aquello 700
Novel synthetic routes for multiple bond formation between Si, Ge, and Sn and the d- and p-block elements 700
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3525386
求助须知:如何正确求助?哪些是违规求助? 3105990
关于积分的说明 9277903
捐赠科研通 2803436
什么是DOI,文献DOI怎么找? 1538711
邀请新用户注册赠送积分活动 716339
科研通“疑难数据库(出版商)”最低求助积分说明 709395