문맥 데이터 증강을 활용한 일반화 가능한 흑색종 검출

피부암 검출은 수년 동안 귀중한 딥러닝 응용 분야였지만, 테스트 이미지가 평가되는 맥락이 종종 간과되어 왔습니다. 전통적인 악성흑색종 분류기는 테스트 환경이 그들이 학습된 구조화된 이미지와 유사하다고 가정합니다. 본 논문은 이러한 관점을 도전하며, 전문 피부과에서 중요한 속성인 점의 크기가 자동화된 악성흑색종 검출에서 오해를 일으킬 수 있다는 주장을 제시합니다. 악성 악성흑색종은 양성 악성흑색종보다 일반적으로 더 큰 경향이 있지만, 이미지를 문맥에 맞게 스케일링할 수 없는 경우 크기만을 의존하는 것은 신뢰할 수 없으며 심지어 해롭울 수도 있습니다. 이 문제를 해결하기 위해, 본 연구는 과적합을 방지하고 악성흑색종 검출 응용 프로그램의 실제 사용을 시뮬레이션하기 위한 다양한 데이터 증강 절차를 수행하는 맞춤형 모델을 제안합니다. 여러 가지 형태의 데이터 증강을 사용하는 여러 맞춤형 모델이 구현되어 점 분류기의 가장 중요한 특징들을 강조합니다. 이러한 구현은 이러한 응용 프로그램을 배포할 때 사용자의 예측 불가능성을 고려하는 것이 중요함을 강조합니다. 데이터를 수동으로 수정할 때 필요한 주의사항도 인정되며, 이는 데이터 손실과 편향된 결론을 초래할 수 있습니다. 또한, 데이터 증강이 피부과 및 딥러닝 커뮤니티에서 갖는 중요성이 고려되었습니다.