Meta-Transfer Derm-Diagnosis: Exploring Few-Shot Learning and Transfer Learning for Skin Disease Classification in Long-Tail Distribution

处理罕见疾病的挑战很困难，特别是由于参考图像数量有限和患者数量较少。这在罕见皮肤病中更为明显，因为我们会遇到长尾数据分布，这使得开发没有偏见和广泛有效的模型变得困难。图像数据集的收集方式多种多样且目的不同，也增加了这些挑战。我们的研究对片段式和传统训练方法的优缺点进行了详细的研究，采用了少样本学习方法和迁移学习。我们使用ISIC2018、Derm7pt和SD-198数据集评估了我们的模型。在最少的标记示例下，我们的模型表现出较大的信息增益和比以前训练的模型更好的性能。我们的研究强调了使用在ImageNet上预训练的模型来增加类别之间的相似性，从而实现在DenseNet121和MobileNetV2模型中表示特征的能力的提高。此外，我们的实验从2分类到5分类，最多使用10个示例，显示出传统的迁移学习方法随着示例数量的增加而取得越来越高的成功率。数据增强技术的加入显著提高了我们基于迁移学习的模型的性能，在SD-198和ISIC2018数据集中表现出比现有方法更高的性能。本文的所有相关源代码将很快在提供的URL上公开发布。

本论文旨在解决罕见皮肤病图像数据集稀缺、长尾分布、难以建立公正和广泛有效模型的问题，采用少样本学习方法和迁移学习方法，探讨传统训练方法和分集式训练方法的优缺点。

本论文采用少样本学习方法和迁移学习方法，利用ImageNet上预训练的模型增加类内相似度，从而改进DenseNet121和MobileNetV2模型的特征表达能力；在ISIC2018、Derm7pt和SD-198数据集上进行实验，结果表明，与以往方法相比，本文方法在少量标记样本的情况下表现更好，数据增强技术的加入显著提高了模型的性能。

本论文的亮点在于采用少样本学习方法和迁移学习方法，实现了在罕见皮肤病图像数据集上的高效分类；实验使用了ISIC2018、Derm7pt和SD-198数据集，并开放了源代码。

近期的相关研究包括：1. Few-shot learning with discriminatively regularized Wasserstein embedding，2. Deep learning for skin lesion classification: a comparative study，3. A survey on deep learning techniques for image and video analysis in healthcare。