HierAttn

Hierattn: Diagnóstico de lesiones cutáneas profundamente supervisadas con estadio y atención de rama

Diagnóstico de lesiones cutáneas profundamente supervisadas con atención de estadio y rama
Wei Dai, Rui Liu, Tianyi Wu, Min Wang, Jianqin Yin, Jun Liu
Aceptado en IEEE JBHI, 2023. [Arxiv] [Documento]

Instalación

Consulte Install.md para obtener instrucciones de instalación.

Evaluación y capacitación de referencia

Consulte Data.md para la preparación del conjunto de datos.

Utilizamos el aprendizaje de transferencia para inicializar en parte los pesos sintonizables de los modelos Hierattn y SOTA. Consulte Premodel.md para obtener la descarga de modelos previos a la aparición.

Clasificación de lesiones cutáneas en el conjunto de datos de dermoscopia

Ihisic20000 val	# Parámetros/m	Top-1 precisión/%↑
Mobilenetv2	2.23	93.45
Mobilevit_s	4.94	94.72
Mobilenetv3_large	4.21	94.77
Shufflenetv2_1 ×	2.28	95.23
MNASNET1.0	3.11	95.45
Eficientenet_b0	4.02	95.48
Jerattn_xs (nuestro)	1.08	96.15
Hierattn_s (nuestro)	2.14	96.70

Clasificación de lesiones de la piel en el conjunto de datos de teléfonos inteligentes

Ihpad3000 val	# Parámetros/m	Top-1 precisión/%↑
Mobilenetv2	2.23	87.44
Shufflenetv2_1 ×	2.28	87.89
Mobilevit_s	4.94	88.22
Mobilenetv3_large	4.21	88.78
Eficientenet_b0	4.02	90.22
MNASNET1.0	3.11	90.33
Jerattn_xs (nuestro)	1.08	90.11
Hierattn_s (nuestro)	2.13	91.22

Citación

Si lo encuentra útil en su investigación, considere citar nuestro artículo de la siguiente manera:

 @ARTICLE{10230242,
  author={Dai, Wei and Liu, Rui and Wu, Tianyi and Wang, Min and Yin, Jianqin and Liu, Jun},
  journal={IEEE Journal of Biomedical and Health Informatics}, 
  title={Deeply Supervised Skin Lesions Diagnosis With Stage and Branch Attention}, 
  year={2024},
  volume={28},
  number={2},
  pages={719-729},
  keywords={Skin;Lesions;Feature extraction;Convolution;Transformers;Training;Computational modeling;Attention;deep supervision;disease classification;skin lesion;vision transformer},
  doi={10.1109/JBHI.2023.3308697}}

Reconocimiento

¡Muchas gracias a los autores de ML-CVNets por su gran marco!