43、利用EdgeMixup提升皮肤疾病分类与分割的性能和公平性

利用EdgeMixup提升皮肤疾病分类与分割的性能和公平性

1. 引言

在皮肤疾病的分类和分割任务中，深度学习模型的性能和公平性至关重要。然而，现有的方法往往存在偏差，特别是在处理不同肤色样本时。EdgeMixup是一种新颖的数据预处理方法，旨在通过混合病变边界与原始图像来提高模型性能并减少偏差。

2. 动机

并非所有皮肤疾病数据集都经过精心处理，例如SD - 198包含在不同环境下采集的样本。为了说明EdgeMixup的优势，研究人员训练了两个ResNet - 34模型，一个使用EdgeMixup，另一个不使用。结果表明，EdgeMixup帮助模型更专注于病变区域，而传统诊断方法容易被手指等非病变特征分散注意力。

3. 方法

3.1 模型公平性定义

考虑任何模型$f$（分类模型$f_{class}$或分割模型$f_{seg}$），如果对于给定的指标$M$和来自类别$y$的样本$x_{st1}$和$x_{st2}$（$st1$和$st2$根据ITA分数代表不同肤色），有$M(f(x_{st1}), y) > M(f(x_{st2}), y)$，则认为模型对肤色$st2$存在偏差。若存在模型$f$使得$M(f(x_{st1}), y) = M(f(x_{st2}), y)$，则认为该模型对$st1$和$st2$肤色样本完全公平。

3.2 EdgeMixup的组成

EdgeMixup有两个主要组成部分：
- 基于混合的边缘检测
- 下游任务的数据预处理和修改

边缘检测又分为初始边缘检测和迭代改进两个部分：
-