[论文解读] A Detection and Segmentation Architecture for Skin Lesion Segmentation on Dermoscopy Images

Chengyao Qian, Ting Liu+5 more|arXiv (Cornell University)|Sep 11, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用 19

一句话总结

本文提出了一种用于皮肤病变在皮肤镜图像中分割的两阶段深度学习架构，结合了通过Mask R-CNN进行病变检测与使用多尺度空洞卷积和多通道输入（RGB、HSV、CIELAB）的定制编码器-解码器分割网络。该方法在ISIC 2018验证集上实现了0.846的Jaccard指数，达到最先进性能，并在病变分割任务中获得第一名。

ABSTRACT

This report summarises our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation. We present a two-stage method for lesion segmentation with optimised training method and ensemble post-process. Our method achieves state-of-the-art performance on lesion segmentation and we win the first place in ISIC 2018 task1.

研究动机与目标

• 提高皮肤镜图像中皮肤病变分割的准确性，特别是针对大小可变、对比度低以及边界模糊的病变。
• 解决U-Net和FCN等单阶段分割模型在处理极端大小病变时的局限性。
• 克服Mask R-CNN在医学图像分割中的不足，特别是其对边界模糊和低分辨率输入的敏感性。
• 通过优化训练期间的数据增强和裁剪策略，提升模型鲁棒性。
• 在ISIC 2018挑战赛——任务1：病变分割中实现最先进性能。

提出的方法

• 采用两阶段流程：首先利用Mask R-CNN的区域建议网络检测病变位置，然后对裁剪出的病变区域进行分割。
• 采用改进的ASPP模块，结合空洞卷积（空洞率3、6、12）、标准卷积（卷积核3、5、7）和最大池化（卷积核5、9、13、17），以捕捉多尺度上下文信息。
• 通过跳跃连接将扩展的ResNet-101主干网络的特征与解码器融合，以保留空间细节。
• 使用八通道输入，整合RGB、HSV和CIELAB色彩空间，以增强病变边界的区分能力。
• 在训练过程中对检测到的病变区域应用随机裁剪（裁剪范围为边界框的81%至121%），以提升模型鲁棒性。
• 在测试时应用数据增强，通过旋转和翻转输入图像，并在几何变换反转后对预测结果取平均，以提升性能。

实验结果

研究问题

• RQ1 两阶段检测-分割框架是否能在处理大小高度可变的病变时优于单阶段分割模型？
• RQ2 通过改进的ASPP模块实现的多尺度上下文建模，在分割边界模糊或对比度低的病变时有何提升作用？
• RQ3 与仅使用RGB相比，使用多光谱色彩空间输入（HSV和CIELAB）在增强病变边界检测方面能带来多大程度的改进？
• RQ4 在训练过程中对裁剪的病变区域进行随机扩展/收缩是否能提升模型的泛化能力和鲁棒性？
• RQ5 通过几何增强的集成推理是否能进一步提升在具有挑战性的皮肤镜图像上的分割性能？

主要发现

• 所提出的两阶段方法在ISIC 2018验证集上取得了0.846的Jaccard指数，优于单阶段分割模型（0.820）和Mask R-CNN（0.825）。
• 该方法在阈值化后的Jaccard得分达到0.816，表明即使在挑战赛对低分施加惩罚的情况下，仍表现出色。
• 最终模型在官方测试集上的Jaccard指数为0.802，证实了其鲁棒性和泛化能力。
• 视觉对比显示，两阶段方法在病变定位上更准确，且分割边界更平滑、更精确，优于基线方法。
• 多通道输入（RGB、HSV、CIELAB）有助于提升特征表示，尤其在低对比度区域表现更优。
• 测试时通过旋转和翻转的集成推理通过多视角预测平均，进一步提升了最终分割质量。