.png){kind=icon}
返回
Fitzpatrick Thresholding for Skin Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05825-6_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确估计皮疹（如银屑病）所涉及的体表面积（BSA）对于评估皮疹严重程度、选择初始治疗方案以及追踪临床治疗效果至关重要。对炎症性皮肤病（如银屑病）的分割尝试在较深肤色人群中表现显著更差，可能阻碍公平的医疗护理。我们收集了一个来自六个公开图谱的银屑病数据集，并标注了菲茨帕特里克（Fitzpatrick）肤色类型，为每张图像添加了详细的分割掩码。基于U-Net、ResUNet和SETR-small的参考模型在不使用肤色信息的情况下进行训练。在调优分割中，我们调整决策阈值，并选择（i）全局最优和（ii）每种菲茨帕特里克肤色类型的最优阈值用于Dice和二进制IoU。采用菲茨帕特里克特定的阈值将U-Net对最暗亚组（Fitz VI）的分割性能提升了最高+31% bIoU和+24% Dice，ResUNet（+25% bIoU，+18% Dice）和SETR-small（+17% bIoU，+11% Dice）在同一方向上也有持续但较小的增益。由于基于Fitzpatrick17训练的肤色分类器准确率现已超过95%，因此该技术所需的肤色标注成本已大幅降低。菲茨帕特里克阈值调整方法简单、与模型无关，无需架构更改、无需重新训练，且几乎无成本。我们展示了将菲茨帕特里克阈值调整作为未来公平基准的潜力。
Keyword:
Fitzpatrick
Psoriasis
Segmentation
BSA
期刊
机构
引用论文
.png){kind=icon}
Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers从序列到序列的角度重新思考语义分割
OAAI
OAAI分享收藏
查看更多内容