[论文解读] Cascaded Context Enhancement for Automated Skin Lesion Segmentation

Ruxin Wang, Shu‐Yuan Chen+2 more|arXiv (Cornell University)|Apr 17, 2020

Cutaneous Melanoma Detection and Management参考文献 45被引用 6

一句话总结

本文提出了一种级联上下文增强网络用于自动皮肤病变分割，采用基于门控的级联上下文聚合（CCA）模块，按顺序整合低级到高级特征，并引入上下文引导的局部亲和模块以优化预测。该方法在ISIC-2016、ISIC-2017和PH2数据集上分别取得了87.1%、80.3%和86.6%的SOTA Jaccard指数。

ABSTRACT

Skin lesion segmentation is an important step for automated melanoma diagnosis. Due to the non-negligible diversity of lesions from different patients, extracting powerful context for fine-grained semantic segmentation is still challenging today. In this paper, we formulate a cascaded context enhancement neural network for skin lesion segmentation. The proposed method adopts encoder-decoder architecture, a new cascaded context aggregation (CCA) module with gate-based information integration approach is proposed for sequentially and selectively aggregating original image and encoder network features from low-level to high-level. The generated context is further utilized to guide discriminative features extraction by the designed context-guided local affinity module. Furthermore, an auxiliary loss is added to the CCA module for refining the prediction. In our work, we evaluate our approach on three public datasets. We achieve the Jaccard Index (JA) of 87.1%, 80.3% and 86.6% on ISIC-2016, ISIC-2017 and PH2 datasets, which are higher than other state-of-the-art methods respectively.

研究动机与目标

• 解决由于患者间病变差异大而导致的皮肤病变图像细粒度语义分割挑战。
• 通过按顺序聚合编码器的低级到高级特征，改善上下文表征。
• 通过上下文引导的局部亲和建模增强判别性特征学习。
• 通过在级联上下文聚合模块上应用辅助损失，优化分割预测。
• 在多个公开的皮肤病变分割基准上实现SOTA性能。

提出的方法

• 采用编码器-解码器架构作为主干网络，用于特征提取与分割。
• 设计一种级联上下文聚合（CCA）模块，利用基于门控的机制按顺序融合编码器的特征，实现选择性整合。
• 以级联方式整合原始图像特征与编码器特征，从低级到高级抽象层次逐步推进。
• 引入上下文引导的局部亲和模块，利用增强的上下文信息优化局部特征，以提升分割效果。
• 在CCA模块上应用辅助损失，以监督上下文学习并改善特征表征。
• 使用标准分割损失与辅助损失进行端到端联合优化训练。

实验结果

研究问题

• RQ1 在病变多样性高的情况下，级联的、基于门控的上下文聚合是否能改善皮肤病变分割的特征表征？
• RQ2 与并行或单阶段聚合相比，低级与高级特征的顺序整合对分割精度有何影响？
• RQ3 上下文引导的局部亲和模块在多大程度上增强了判别性特征学习？
• RQ4 在CCA模块上应用辅助损失是否能带来更好的收敛性与分割性能？
• RQ5 所提出的方法能否在ISIC-2016、ISIC-2017和PH2等多样化的皮肤病变数据集上实现良好泛化？

主要发现

• 所提方法在ISIC-2016数据集上取得了87.1%的Jaccard指数（JA），优于以往SOTA方法。
• 在ISIC-2017数据集上，该方法实现了80.3%的JA，表明其在具有挑战性的病变变异中仍具强大性能。
• PH2数据集的结果显示JA为86.6%，表明方法在不同病变特征下具有鲁棒性与泛化能力。
• 应用于CCA模块的辅助损失有助于改善特征学习并取得更优的分割结果。
• 基于门控的级联上下文聚合能有效捕捉并优化多层次抽象下的上下文信息。
• 上下文引导的局部亲和模块增强了局部特征的判别能力，使病变边界更清晰、更精确。