[论文解读] Automatic segmentation of skin lesions using deep learning

Joshua P. Ebenezer, Jagath C. Rajapakse|arXiv (Cornell University)|Jul 13, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用 5

一句话总结

本文提出了一种基于ISIC 2018数据集训练的改进U-Net架构的深度学习框架，用于自动皮肤病变分割。通过强度、颜色和纹理预处理增强输入图像，应用形态学后处理以优化分割掩膜，并在验证数据上实现了0.756的阈值化Jaccard指数，展示了病变边界检测的最先进性能。

ABSTRACT

This paper summarizes the method used in our submission to Task 1 of the International Skin Imaging Collaboration's (ISIC) Skin Lesion Analysis Towards Melanoma Detection challenge held in 2018. We used a fully automated method to accurately segment lesion boundaries from dermoscopic images. A U-net deep learning network is trained on publicly available data from ISIC. We introduce the use of intensity, color, and texture enhancement operations as pre-processing steps and morphological operations and contour identification as post-processing steps.

研究动机与目标

• 开发一种全自动、全卷积的方法，以准确分割皮肤镜图像中的病变边界。
• 通过在深度学习处理前增强图像对比度、色彩保真度和纹理细节，提升分割性能。
• 解决因病变边缘附近对比度低和肤色相近而导致的病变边界检测挑战。
• 通过激进的数据增强和集成训练确保模型的鲁棒性和泛化能力。
• 构建一种简单、快速且高效的流程，适用于临床皮肤科影像应用。

提出的方法

• 采用修改后的U-Net架构，输入与输出的空间尺寸相同，且每层滤波器数量为原始U-Net的一半。
• 创建五通道输入特征：三个保持色调的颜色增强RGB通道、一个对比度增强的强度通道，以及一个纹理增强的强度通道。
• 预处理包括通过分层差分二维直方图表示实现的强度对比度增强，保持色调的颜色增强以避免色域越界，以及使用阶数v=0.5的分数阶微分掩模实现的多尺度纹理增强。
• 后处理采用5×5方形结构元素进行形态学开运算和闭运算，以去除噪声和孔洞，随后选择最大连通轮廓作为最终掩膜。
• 网络使用Adam优化器进行训练，学习率为1e-4，采用L2正则化，并基于Dice系数的二元交叉熵损失函数。
• 集成推理通过在不同随机数据划分上训练30个独立网络，并将三组25个模型的预测结果取平均实现。

实验结果

研究问题

• RQ1 多模态图像预处理是否能显著提升深度学习模型在皮肤病变分割中的性能？
• RQ2 强度、颜色和纹理增强的整合在皮肤镜图像中对基于U-Net的分割模型的泛化能力和准确性有何影响？
• RQ3 形态学后处理与轮廓选择在多大程度上能改善预测病变掩膜的连通性和质量？
• RQ4 通过数据增强训练的独立U-Net模型集成是否优于单模型基线在病变边界分割上的表现？
• RQ5 具有减少滤波器数量和相同输入/输出尺寸的改进U-Net是否能在保持高性能的同时提升推理效率？

主要发现

• 所提方法在ISIC 2018验证集上实现了0.756的阈值化Jaccard指数，三次独立集成提交的附加得分分别为0.750和0.746。
• 阈值化Jaccard指数定义为：若原始Jaccard指数低于0.65，则为0；否则等于原始值，表明对低置信度预测具有鲁棒性。
• 使用五通道输入（结合保持色调的颜色、对比度增强的强度和纹理增强的强度）显著提升了分割质量，优于单通道或未增强输入。
• 激进的在线数据增强（包括随机旋转、翻转和缩放）有助于提升模型的泛化能力和鲁棒性。
• 具有减少滤波器数量和相同输入/输出尺寸的改进U-Net架构在保持高性能的同时，实现了在标准化128×128分辨率下的端到端训练与推理。
• 通过形态学操作和最大轮廓选择的后处理有效去除了小噪声和孔洞，生成了更具解剖学合理性的病变掩膜。