Die Nutzung kontextbasierter Datenverstärkung für eine generalisierbare Melanom-Erkennung

Während die Erkennung von Hautkrebs seit Jahren eine wertvolle Anwendung des tiefen Lernens ist, wurde dessen Bewertung oft ohne Berücksichtigung des Kontextes durchgeführt, in dem Testbilder analysiert werden. Traditionelle Melanom-Klassifikatoren gehen davon aus, dass ihre Testumgebungen den strukturierten Bildern entsprechen, auf denen sie trainiert wurden. In dieser Arbeit wird diese Annahme in Frage gestellt und argumentiert, dass die Größen der Leberflecken (Mole), ein kritischer Merkmalswert in der professionellen Dermatologie, bei der automatisierten Melanom-Erkennung irreführend sein kann. Obwohl bösartige Melanome tendenziell größer als gutartige sind, kann sich allein auf die Größe zu stützen unzuverlässig und sogar schädlich sein, wenn eine kontextuelle Skalierung der Bilder nicht möglich ist. Um dieses Problem anzugehen, schlägt diese Implementierung ein benutzerdefiniertes Modell vor, das verschiedene Verfahren zur Datenverstärkung (Data Augmentation) anwendet, um das Überfitting auf fehlerhafte Parameter zu verhindern und die reale Nutzung von Melanom-Erkennungsanwendungen zu simulieren. Mehrere benutzerdefinierte Modelle mit unterschiedlichen Formen der Datenverstärkung werden implementiert, um die wichtigsten Merkmale von Mole-Klassifikatoren hervorzuheben. Diese Implementierungen betonen die Bedeutung der Berücksichtigung von Benutzervariabilität beim Einsatz solcher Anwendungen. Die Vorsicht wird anerkannt, die bei manuellen Änderungen an den Daten erforderlich ist, da dies zu Datenverlust und verzerrten Schlussfolgerungen führen kann. Zudem wird die Bedeutung der Datenverstärkung sowohl in der Dermatologie- als auch in der Deep-Learning-Gemeinschaft betrachtet.