[论文解读] A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification

Xulei Yang, Zeng Zeng+4 more|arXiv (Cornell University)|Mar 3, 2017

Cutaneous Melanoma Detection and Management参考文献 8被引用 78

一句话总结

本文提出一种用于同时进行皮肤病变分割和两种二元分类的多任务深度神经网络，在 ISIC 2017 上取得了具有竞争力的结果。

ABSTRACT

In this study, a multi-task deep neural network is proposed for skin lesion analysis. The proposed multi-task learning model solves different tasks (e.g., lesion segmentation and two independent binary lesion classifications) at the same time by exploiting commonalities and differences across tasks. This results in improved learning efficiency and potential prediction accuracy for the task-specific models, when compared to training the individual models separately. The proposed multi-task deep learning model is trained and evaluated on the dermoscopic image sets from the International Skin Imaging Collaboration (ISIC) 2017 Challenge - Skin Lesion Analysis towards Melanoma Detection, which consists of 2000 training samples and 150 evaluation samples. The experimental results show that the proposed multi-task deep learning model achieves promising performances on skin lesion segmentation and classification. The average value of Jaccard index for lesion segmentation is 0.724, while the average values of area under the receiver operating characteristic curve (AUC) on two individual lesion classifications are 0.880 and 0.972, respectively.

研究动机与目标

• 在皮肤病变分析中，动机在于通过多任务学习利用分割与分类任务之间的共享表示。
• 开发一个统一的深度神经网络，能同时执行分割和两项二元病变分类。
• 在 ISIC 2017 数据上评估该方法，以评估学习效率及相对于独立模型的潜在准确性提升。

提出的方法

• 提出一个在任务之间共享表示的多任务深度神经网络（分割和两项二元分类）。
• 在 ISIC 2017 色素性病变图像上进行训练和评估（2000 训练，150 评估）。
• 利用任务之间的共性与差异来提升各任务的表现。
• 使用分割的 Jaccard 指数和每个分类任务的 AUC 来报告性能。

实验结果

研究问题

• RQ1 单一的多任务网络是否能够在分割和分类性能上优于独立训练的模型？
• RQ2 共享表示学习在多大程度上提升了皮肤病变分析的学习效率和准确性？

主要发现

• 分割的平均 Jaccard 指数：0.724。
• 第一项分类的 AUC：0.880。
• 第二项分类的 AUC：0.972。
• 在 ISIC 2017 数据集上进行评估，训练 2000，测试 150。
• 报告称多任务学习在学习效率和潜在准确性提升方面优于独立模型。