[论文解读] Data-Driven Color Augmentation Techniques for Deep Skin Image Analysis
本论文提出一种用于皮肤镜图像的数据增强方法，利用 Shades of Gray 基于光照估计来对训练图像进行白平衡并上色，提升 ISIC 2017 的分割和分类效果，同时无需外部皮肤镜数据。
Dermoscopic skin images are often obtained with different imaging devices, under varying acquisition conditions. In this work, instead of attempting to perform intensity and color normalization, we propose to leverage computational color constancy techniques to build an artificial data augmentation technique suitable for this kind of images. Specifically, we apply the \emph{shades of gray} color constancy technique to color-normalize the entire training set of images, while retaining the estimated illuminants. We then draw one sample from the distribution of training set illuminants and apply it on the normalized image. We employ this technique for training two deep convolutional neural networks for the tasks of skin lesion segmentation and skin lesion classification, in the context of the ISIC 2017 challenge and without using any external dermatologic image set. Our results on the validation set are promising, and will be supplemented with extended results on the hidden test set when available.
研究动机与目标
- 在多样化的采集条件和设备下，激发鲁棒的皮肤病变分析。
- 提出一种基于颜色恒常性的增强来模拟多样的光照条件。
- 在 ISIC 2017 中评估在没有外部皮肤科数据的情况下的增强效果。
提出的方法
- 在训练图像上使用 Shades of Gray 颜色恒常性估计场景光照。
- 对白balance 图像进行采样，并从经验分布中抽取光照来创建着色训练样本进行数据增强。
- 应用类似 Von Kries 的对角线色度适应变换以进行增强。
- 通过从截断正态分布中抽样伽马值来进行伽马校正增强。
- 使用标准的几何（和非线性）数据增强以增加数据多样性。
- 在带有领域增强数据的情况下训练用于分割的 U-Net 和用于分类的 50 层残差网络。
实验结果
研究问题
- RQ1基于光照的数据增强是否能够在没有外部数据的情况下提升深度模型在皮肤镜任务上的泛化能力？
- RQ2所提出的增强对 ISIC 2017 的分割精度和分类性能有何影响？
- RQ3基于颜色恒常性的增强对皮肤图像中的光照变化和设备差异是否具有鲁棒性？
主要发现
- 分割精度（ISIC 2017 验证集）: ACC 0.948, Dice 0.846, Jaccard 0.767, 灵敏度 0.865, 特异性 0.980。
- 黑色素瘤分类 AUC 0.791, ACC 0.580, AP 0.482, 灵敏度 0.833, 特异性 0.517。
- 脂漏性角化病分类 AUC 0.954, ACC 0.867, AP 0.898, 灵敏度 0.857, 特异性 0.870。
- 平均分类指标：AUC 0.873, ACC 0.723, AP 0.690, 灵敏度 0.845, 特异性 0.694。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。