[论文解读] Dermoscopic Image Analysis for ISIC Challenge 2018

Jinyi Zou, Xiao Ma+2 more|arXiv (Cornell University)|Jul 24, 2018

Cutaneous Melanoma Detection and Management参考文献 1被引用 13

一句话总结

本文针对 ISIC Challenge 2018 提出了一种用于皮肤镜图像分析的多任务深度学习方法，采用改进的 PSPNet 进行病灶分割与特征检测，使用 DenseNet-169 进行多类别疾病分类。通过数据增强和分层训练，该方法在验证集上实现了 0.780 的 Jaccard 指数（分割任务）和 0.751 的平衡准确率（疾病分类任务）。

ABSTRACT

This short paper reports the algorithms we used and the evaluation performances for ISIC Challenge 2018. Our team participates in all the tasks in this challenge. In lesion segmentation task, the pyramid scene parsing network (PSPNet) is modified to segment the lesions. In lesion attribute detection task, the modified PSPNet is also adopted in a multi-label way. In disease classification task, the DenseNet-169 is adopted for multi-class classification.

研究动机与目标

• 开发用于 ISIC Challenge 2018 中皮肤镜图像分析的自动化深度学习模型，实现多任务处理。
• 通过采用包含多尺度上下文特征和跳跃连接的改进 PSPNet，提升病灶分割的准确性。
• 通过 PSPNet 的多标签适配，实现对多种皮肤镜特征（如色素网络、条纹等）的高精度同时检测。
• 通过分层分类和数据增强策略，缓解多类别皮肤疾病分类中的严重类别不平衡问题。
• 在 ISIC 2018 的三项任务中实现最先进性能：病灶分割、特征检测和多类别疾病分类。

提出的方法

• 采用以 ResNet 为骨干网络并加入跳跃连接的改进 PSPNet，通过融合多层特征提升细粒度纹理表征能力，用于分割任务。
• 利用多尺度金字塔池化与跳跃连接，聚合不同感受野的上下文信息。
• 应用条件随机场（CRF）和分水岭算法作为后处理步骤，优化分割掩码并仅保留最大连通分量。
• 通过在每类特征掩码上进行训练，将改进的 PSPNet 适配为多标签病灶特征检测模型，且预测结果被限制在已分割的病灶区域内。
• 采用 DenseNet-169 作为疾病分类任务的骨干网络，并应用数据增强技术，包括随机水平/垂直翻转以及缩放变化（0.8–1.2）。
• 实施两种策略以应对类别不平衡问题：分层分类（三级结构）和类别平衡的数据增强（每类 20,000 个样本）。

实验结果

研究问题

• RQ1 在训练数据有限的情况下，深度学习模型如何实现对皮肤镜图像中病灶分割的鲁棒性？
• RQ2 PSPNet 的多标签适配是否能有效实现多种皮肤镜特征的高精度同时检测？
• RQ3 在多类别皮肤镜疾病分类中，处理严重类别不平衡问题的最有效策略是什么？
• RQ4 与数据增强相比，分层分类在提升罕见皮肤癌类型的平衡准确率方面表现如何？
• RQ5 像 CRF 和分水岭这样的后处理技术在临床图像分析中能在多大程度上提升分割质量？

主要发现

• 改进的 PSPNet 在无后处理的验证集上取得 0.775 的 Jaccard 指数，经后处理后提升至 0.780，证明了 CRF 和分水岭滤波的有效性。
• 在病灶特征检测任务中，模型在验证集上的性能为 0.40，各项指标范围从 0.617（阴性网络）到 0.779（微囊样囊肿）。
• 采用 DenseNet-169 的分层分类方法在验证集上实现了 0.621 的平衡准确率。
• 直接采用每类 20,000 个样本的数据增强策略，取得了更高的平衡准确率 0.751，优于分层分类方法。
• 在分割任务中，色彩抖动带来的增益有限，而色彩恒常性在疾病分类中更受青睐，以保持临床相关性。
• 将病灶分割结果作为掩码用于特征检测，通过将预测限制在病灶区域，显著提升了定位精度。