一、概述
我们提出了一种基于注意力的黑色素瘤识别方法。与其他网络参数一起学习的注意力模块估计了高亮显示与病变分类相关的感兴趣图像区域的注意力图。与仅输出类标签相比，这些注意力映射提供了更易于解释的输出。此外，我们建议通过正则化具有感兴趣区域（ROI）的注意力图（例如，病变分割或皮肤镜特征）来利用先验信息。只要这种先验信息可用，就可以进一步细化分类性能和注意力图。据我们所知，我们是第一个为黑色素瘤识别引入具有正则化的端到端可训练注意力模块的人。我们在公共数据集上提供了定量和定性结果，以证明我们方法的有效性。代码位于https://github.com/SaoYan/IPMI2019-AttnMel.
黑色素瘤是世界上最致命的皮肤癌之一。美国癌症协会（American Cancer Society）报告称，美国70%以上与皮肤癌症相关的死亡与黑色素瘤有关。幸运的是，早期诊断可以促进适当的治疗。然而，准确诊断黑色素瘤并非易事，需要人类专业知识。人们提出了许多自动算法来从皮肤镜图像中对黑色素瘤进行分类。特别是，基于深度学习的方法已被用于性能最佳的方法。
许多深度学习方法转向了网络或特征集合。Harangi等人训练了AlexNet、VGGNet和GoogLeNet的集合，将它们的最终特征融合为共享的softmax分类层。Codella等人使用深度卷积特征和稀疏编码来训练SVM，他们后来将其扩展到8个不同特征的集合。类似地，Yu等人聚合了深度网络特征和fisher矢量编码。训练集成方法是耗时的，并且对如何调整不同的模型或特征提取器很敏感。
其他工作训练了一个分割网络来指导分类。Yu等人。]设计了一种两阶段方法。在第一步中，训练了一个分割网络，用于从整个图像中检测和裁剪病变。然后，使用裁剪的图像训练分类网络。杨等人