[论文解读] Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation

Lei Bi, Dagan Feng+1 more|arXiv (Cornell University)|Jul 23, 2018

Cutaneous Melanoma Detection and Management参考文献 16被引用 15

一句话总结

本文提出一种基于生成对抗网络（GAN）的数据增强方法，通过在多个复杂度层级上生成多样化且逼真的病变图像，以提升全卷积网络（FCN）在皮肤病变分割中的性能。通过将这些对抗生成的样本整合到训练过程中，该方法增强了特征多样性与鲁棒性，在ISIC 2018数据集上实现了最先进性能，边界精度和泛化能力均得到提升。

ABSTRACT

Segmentation of skin lesions is considered as an important step in computer aided diagnosis (CAD) for automated melanoma diagnosis. In recent years, segmentation methods based on fully convolutional networks (FCN) have achieved great success in general images. This success is primarily due to the leveraging of large labelled datasets to learn features that correspond to the shallow appearance as well as the deep semantics of the images. However, the dependence on large dataset does not translate well into medical images. To improve the FCN performance for skin lesion segmentations, researchers attempted to use specific cost functions or add post-processing algorithms to refine the coarse boundaries of the FCN results. However, the performance of these methods is heavily reliant on the tuning of many parameters and post-processing techniques. In this paper, we leverage the state-of-the-art image feature learning method of generative adversarial network (GAN) for its inherent ability to produce consistent and realistic image features by using deep neural networks and adversarial learning concept. We improve upon GAN such that skin lesion features can be learned at different level of complexities, in a controlled manner. The outputs from our method is then augmented to the existing FCN training data, thus increasing the overall feature diversity. We evaluated our method on the ISIC 2018 skin lesion segmentation challenge dataset and showed that it was more accurate and robust when compared to the existing skin lesion segmentation methods.

研究动机与目标

• 解决医学分割任务中皮肤病变图像标注数据多样性不足与样本稀缺的问题。
• 在不依赖大量超参数调优的前提下，提升基于FCN的分割模型的泛化能力与边界精度。
• 开发一种可控的、多层级的对抗性数据增强框架，用于生成逼真的皮肤病变图像。
• 在ISIC 2018皮肤病变分割挑战数据集上评估该方法的有效性。
• 减少分割流程中对后处理和人工参数调优的依赖。

提出的方法

• 设计了一种条件生成对抗网络（cGAN），根据输入的分割掩码生成逼真的皮肤病变图像。
• 通过对抗损失训练GAN，以确保生成样本在真实感和特征一致性方面表现优异。
• 该方法可实现对病变特征（如纹理、形状、对比度）在不同复杂度层级上的可控生成。
• 将生成的图像整合到原始训练集中，以增加特征多样性并提升FCN的泛化能力。
• 对抗训练过程包含一个判别器，用于区分真实图像与生成图像，从而促进真实特征的学习。
• 最终模型在真实与生成数据的混合数据集上进行微调，以进一步提升分割性能。

实验结果

研究问题

• RQ1 对抗学习能否生成逼真且多样的皮肤病变图像，从而提升基于FCN的分割性能？
• RQ2 多层级、可控的数据增强是否能提升皮肤病变分割中的边界检测能力？
• RQ3 所提出的方法能否减少对后处理和人工超参数调优的依赖？
• RQ4 该方法在ISIC 2018基准测试中与现有最先进方法相比表现如何？
• RQ5 通过对抗性数据增强，模型是否能在未见皮肤病变外观上实现更好的泛化能力？

主要发现

• 与基线FCN及其他最先进方法相比，所提方法在ISIC 2018挑战数据集上实现了更优的分割性能。
• 模型在边界精度方面表现更优，显著降低了细粒度病变轮廓预测中的误差。
• 生成样本的引入增加了训练数据的多样性，增强了模型的鲁棒性。
• 该方法在无需大量后处理或人工参数调优的情况下，优于现有方法。
• 消融实验证实，对病变特征进行可控的多层级生成显著贡献于性能提升。
• 结果表明，对抗性数据增强是有限标注数据下医学图像分割的一种可行且有效策略。