[论文解读] Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks

Hongming Xu, Tae Hyun Hwang|arXiv (Cornell University)|Jul 17, 2018

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

一句话总结

本文提出了一种基于U-Net架构的深度全卷积神经网络，用于皮肤病变在皮肤镜图像中的自动分割。通过结合二元交叉熵损失和Dice损失，该模型在ISIC 2018验证集上实现了0.738的平均Jaccard指数，表现出对多种图像变化的鲁棒性能。

ABSTRACT

This paper summarizes our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation

研究动机与目标

• 开发一种自动方法，以准确分割皮肤镜图像中的皮肤病变，支持早期黑色素瘤检测。
• 解决皮肤病变在皮肤镜数据集中外观和图像质量高度多变的挑战。
• 通过数据增强和混合损失函数，提升模型在不同采集条件下的分割鲁棒性。
• 使用全卷积架构在ISIC 2018挑战赛任务1：病变分割中实现高性能表现。

提出的方法

• 训练一种受U-Net启发的全卷积神经网络，从输入的皮肤镜图像中预测病变区域的后验概率图。
• 网络包含27个卷积块、5个上采样卷积层、5个最大池化层，以及一个使用Sigmoid激活函数的1×1卷积层用于输出。
• 将图像输入调整为384×512像素，以统一训练集中的图像尺寸。
• 在每个小批量中应用数据增强，包括随机旋转、缩放（最多10%）和位移（最多10%），以提升模型鲁棒性。
• 采用混合损失函数，结合二元交叉熵损失与Dice系数，以平衡类别不平衡问题并提升IoU类似性能。
• 后处理采用双阈值方法：高阈值（0.8）用于识别最可能的病变区域，低阈值（0.5）用于定义候选区域，最终掩码为包含高阈值区域的候选区域。

实验结果

研究问题

• RQ1 深度全卷积神经网络是否能在多种皮肤镜图像变化下实现鲁棒的皮肤病变分割？
• RQ2 结合二元交叉熵损失与Dice损失在提升类别不平衡病变分割任务的分割精度方面有多有效？
• RQ3 数据增强在提升模型在不同图像采集条件下的泛化能力方面有多显著？
• RQ4 与单阈值方法相比，双阈值后处理策略在提升分割掩码质量方面效果如何？

主要发现

• 在ISIC 2018验证集的100张图像上，该模型在五个独立训练的模型中实现了0.738的平均Jaccard指数。
• 表现最佳的模型在验证集上得分达到0.749，表明其在病变边界预测方面具有极强的一致性与可靠性。
• 数据增强的使用提升了模型鲁棒性，使其在不同图像条件下均能保持一致的性能表现。
• 结合二元交叉熵损失与Dice系数的混合损失函数有效缓解了类别不平衡问题，并提升了基于IoU的分割性能。
• 通过集成五个模型的预测结果并应用双阈值后处理，显著提升了测试集上的最终分割质量。
• 该方法在ISIC 2018挑战赛排行榜上基于1000张图像的测试集取得了最终排名，证明了其在真实场景中的适用性。