[论文解读] Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods

Manu Goyal, Oakley, Amanda+3 more|arXiv (Cornell University)|Feb 2, 2019

Cutaneous Melanoma Detection and Management参考文献 35被引用 6

一句话总结

本文提出了一种结合Mask-RCNN与DeepLabv3+的集成深度学习框架，用于皮肤病变在皮肤镜图像中的自动边界分割。在ISIC-2017数据集上进行训练，并在ISIC-2017和PH2数据集上进行评估，最佳集成方法在Jaccard指数上达到了79.58%，显著优于U-Net、FCN和SegNet等最先进模型。

ABSTRACT

Early detection of skin cancer, particularly melanoma, is crucial to enable advanced treatment. Due to the rapid growth in the numbers of skin cancers, there is a growing need of computerized analysis for skin lesions. The state-of-the-art public available datasets for skin lesions are often accompanied with very limited amount of segmentation ground truth labeling as it is laborious and expensive. The lesion boundary segmentation is vital to locate the lesion accurately in dermoscopic images and lesion diagnosis of different skin lesion types. In this work, we propose the use of fully automated deep learning ensemble methods for accurate lesion boundary segmentation in dermoscopic images. We trained the Mask-RCNN and DeepLabv3+ methods on ISIC-2017 segmentation training set and evaluate the performance of the ensemble networks on ISIC-2017 testing set. Our results showed that the best proposed ensemble method segmented the skin lesions with Jaccard index of 79.58% for the ISIC-2017 testing set. The proposed ensemble method outperformed FrCN, FCN, U-Net, and SegNet in Jaccard Index by 2.48%, 7.42%, 17.95%, and 9.96% respectively. Furthermore, the proposed ensemble method achieved an accuracy of 95.6% for some representative clinically benign cases, 90.78% for the melanoma cases, and 91.29% for the seborrheic keratosis cases on ISIC-2017 testing set, exhibiting better performance than FrCN, FCN, U-Net, and SegNet.

研究动机与目标

• 通过开发一种全自动的深度学习解决方案，解决皮肤病变数据集中真实标注分割数据有限的挑战。
• 通过使用深度学习集成方法，提高黑色素瘤及其他皮肤病变类型的病变边界分割精度。
• 通过PH2数据集评估所提方法在跨数据集泛化能力方面的鲁棒性。
• 在关键性能指标上超越现有最先进分割模型，如U-Net、FCN和SegNet。
• 通过精确的病变定位，支持ABCD规则系统，实现更准确的计算机辅助诊断。

提出的方法

• 该方法采用两种最先进深度学习模型的集成：使用Mask-RCNN进行实例分割，使用DeepLabv3+进行语义分割。
• 通过平均策略（Ensemble-ADD）结合两种模型的预测结果，以提升分割的鲁棒性与准确性。
• 预处理包括使用色彩恒常性算法，以在不同设备和光照条件下标准化皮肤镜图像的外观。
• 后处理应用形态学图像操作，以优化分割掩码并去除噪声。
• 模型在ISIC-2017训练集上端到端进行训练，采用迁移学习，并使用标准深度学习损失函数进行优化。
• 性能通过标准指标（包括Jaccard指数、Dice系数、敏感性与特异性）在ISIC-2017和PH2测试集上进行评估。

实验结果

研究问题

• RQ1 与单个模型相比，Mask-RCNN与DeepLabv3+的集成是否能提升皮肤病变边界分割的准确性？
• RQ2 所提出的集成方法在ISIC-2017分割挑战赛中的顶尖模型表现如何？
• RQ3 所提出的方法是否能在外部数据集（如PH2）上实现良好泛化，表明其在不同成像条件下的鲁棒性？
• RQ4 使用色彩恒常性进行预处理以及使用形态学操作进行后处理，在多大程度上提升了分割质量？
• RQ5 该集成方法是否能在包括黑色素瘤、痣和脂溢性角化病在内的多种病变类型中实现高性能？

主要发现

• 所提出的集成方法在ISIC-2017测试集上实现了79.58%的Jaccard指数，比U-Net高出17.95个百分点。
• Ensemble-A在ISIC-2017测试集上实现了最高的敏感性（82.53%）和Dice分数（86.33%），表明其在病变检测方面表现优异。
• 在PH2数据集上，Ensemble-S变体实现了83.9%的Jaccard指数，优于FCN-16s、DeepLabv3+和Mask-RCNN。
• 对于临床良性病例（痣），该方法实现了95.6%的准确率，而黑色素瘤病例在ISIC-2017上的准确率为90.78%。
• 该集成方法表现出优于其他模型的特异性（97.94%），表明其在负样本预测方面表现强劲。
• 该方法展现出强大的跨数据集泛化能力，Ensemble-S在PH2数据集上表现最佳，尽管Ensemble-A在ISIC-2017上表现最佳。