[论文解读] A Survey on Deep Learning for Skin Lesion Segmentation

Zahra Mirikharaji, Kumar Abhishek+6 more|arXiv (Cornell University)|Jun 1, 2022

Cutaneous Melanoma Detection and Management被引用 5

一句话总结

本综述整合了177篇关于皮肤病变分割的深度学习研究，分析了输入数据、模型架构、损失函数和评估指标。识别出图像伪影和变异性等关键挑战，并提供了一个全面的框架和交互式表格，以指导未来在临床应用中实现自动化、鲁棒且公平的皮肤病变分割研究。

ABSTRACT

Skin cancer is a major public health problem that could benefit from computer-aided diagnosis to reduce the burden of this common disease. Skin lesion segmentation from images is an important step toward achieving this goal. However, the presence of natural and artificial artifacts (e.g., hair and air bubbles), intrinsic factors (e.g., lesion shape and contrast), and variations in image acquisition conditions make skin lesion segmentation a challenging task. Recently, various researchers have explored the applicability of deep learning models to skin lesion segmentation. In this survey, we cross-examine 177 research papers that deal with deep learning-based segmentation of skin lesions. We analyze these works along several dimensions, including input data (datasets, preprocessing, and synthetic data generation), model design (architecture, modules, and losses), and evaluation aspects (data annotation requirements and segmentation performance). We discuss these dimensions both from the viewpoint of select seminal works, and from a systematic viewpoint, examining how those choices have influenced current trends, and how their limitations should be addressed. To facilitate comparisons, we summarize all examined works in a comprehensive table as well as an interactive table available online at https://github.com/sfu-mial/skin-lesion-segmentation-survey.

研究动机与目标

• 系统分析深度学习方法在皮肤病变分割中的输入数据、模型设计和评估方面的应用。
• 识别出影响分割性能的持续性挑战，如图像伪影、低对比度和标注变异性。
• 评估数据增强、合成数据和损失函数对模型泛化能力和鲁棒性的影响。
• 通过全面的对比表格和交互式在线资源，对方法进行结构化比较。
• 通过指出当前基于深度学习的分割框架中的局限性和趋势，为未来研究提供指导。

提出的方法

• 对2015年至2023年期间发表的177篇关于皮肤病变分割的深度学习研究的同行评审论文进行了系统性文献回顾。
• 从多个维度对研究进行分类：输入数据（数据集、预处理、合成数据）、模型架构（U-Net变体、注意力模块）和损失函数（二元交叉熵、Dice损失、混合损失）。
• 使用标准分割指标（如Dice、IoU、DSC）评估模型性能，并分析标注质量与数据稀缺性问题。
• 将研究发现整合到一份详细的对比表格中，并在 https://github.com/sfu-mial/skin-lesion-segmentation-survey 上托管了交互式版本。
• 回顾了开创性工作和当前趋势，以识别在不同肤色和成像条件下公平性、鲁棒性和泛化能力方面的差距。
• 讨论了注意力机制、跳跃连接和多尺度特征学习在提升边界定位和病变勾勒方面的作用。

实验结果

研究问题

• RQ1 不同的数据预处理和增强策略在多大程度上影响皮肤病变分割模型的鲁棒性？
• RQ2 在处理低对比度和含伪影的皮肤病变图像时，最有效的损失函数和网络架构是什么？
• RQ3 当前模型在不同肤色和成像条件下泛化的程度如何，如何提升公平性？
• RQ4 合成数据生成技术在低资源环境下的模型性能和泛化能力方面产生何种影响？
• RQ5 当前评估协议的关键局限性是什么，如何改进以更真实地反映临床实际部署？

主要发现

• U-Net及其变体仍是使用最广泛的架构，注意力机制和跳跃连接显著提升了边界定位的准确性。
• 结合二元交叉熵损失和Dice损失的混合损失函数在处理类别不平衡问题时始终优于单一损失方法。
• 合成数据增强和数据到数据的图像转换技术（如cycle-GAN）可提升模型泛化能力，尤其在数据量有限的情况下。
• 模型性能在不同肤色之间存在显著差异，凸显了使用多样化且具代表性的训练数据以减少偏差的迫切需求。
• 使用注意力模块（如Attention U-Net）可改善不规则病变边界在低对比度图像中的定位效果。
• 尽管已有进展，但在处理低对比度、毛发或伪影较多的病变时，性能仍存在显著差距，表明需要更鲁棒的架构和更精细的数据整理。