[论文解读] Dense Fully Convolutional Network for Skin Lesion Segmentation.

Ebrahim Nasr-Esfahani, Shima Rafiee+6 more|arXiv (Cornell University)|Dec 29, 2017

Cutaneous Melanoma Detection and Management参考文献 29被引用 9

一句话总结

本文提出一种带有新型密集池化层的密集全卷积网络，用于在非皮肤镜图像中实现精确的皮肤病变分割。与传统网络不同，该密集池化层保留所有输入特征，从而实现精确的边界检测，在DermQuest数据集上达到91.6%的Dice分数，超越所有当前最先进方法。

ABSTRACT

Skin cancer is a deadly disease and is on the rise in the world. Computerized diagnosis of skin cancer can accelerate the detection of this type of cancer that is a key point in increasing the survival rate of patients. Lesion segmentation in skin images is an important step in computerized detection of the skin cancer. Existing methods for this aim usually lack accuracy especially in fuzzy borders of lesions. In this paper, we propose a new class of fully convolutional networks with novel dense pooling layers for segmentation of lesion regions in non-dermoscopic images. Unlike other existing convolutional networks, the proposed dense pooling layers are designed to preserve all of the input features. This has led to highly accurate segmentation of lesions. Our proposed method produces dice score of 91.6% which outperforms all state-of-the-art algorithms in segmentation of skin lesions based on the Dermquest dataset.

研究动机与目标

• 解决皮肤癌诊断中病变分割不准确的问题，特别是针对边界模糊或不清晰的病变。
• 提升在非皮肤镜皮肤图像中的分割性能，这些图像更易获取但比皮肤镜图像更难分析。
• 设计一种全卷积网络架构，通过新型特征保留型池化层来保持空间细节。
• 在病变分割任务中实现最先进性能，以支持早期且准确的皮肤癌检测。

提出的方法

• 提出一类专为非皮肤镜图像中皮肤病变分割而设计的新全卷积网络（FCN）架构。
• 引入密集池化层，保留所有输入特征而非选择性下采样，从而保持空间分辨率和细节。
• 设计网络结构，使编码器-解码器结构中的整个过程均保持高分辨率特征图，以提升边界定位能力。
• 使用DermQuest数据集，通过标准分割损失函数端到端训练网络，以优化病变边界检测精度。
• 通过池化机制中的密集连接，充分利用每一层的完整特征表示，以增强特征学习。
• 在编码器和解码器模块之间引入跳跃连接，以融合低级与高级特征，实现精确分割。

实验结果

研究问题

• RQ1 带有密集池化层的全卷积网络是否能提升在非皮肤镜图像中对边界模糊病变的分割精度？
• RQ2 与标准的最大池化或平均池化相比，池化层中保留所有输入特征对病变边界检测有何影响？
• RQ3 所提出的架构在DermQuest数据集上相较于现有最先进方法的性能提升程度如何？
• RQ4 该方法在具有光照和分辨率差异的现实临床图像中是否具有良好的泛化能力？

主要发现

• 所提方法在DermQuest数据集上达到91.6%的Dice分数，是当前最先进方法中报告的最高结果。
• 密集池化层有效保留了空间细节，从而在边界模糊或不清晰的病变分割中表现更优。
• 由于网络在整个推理过程中能够保持高分辨率特征图，其性能优于现有基于FCN的方法。
• 该方法在非皮肤镜图像上表现出强大的泛化能力，而这类图像在临床实践中比皮肤镜图像更为常见。
• 与标准池化机制相比，该架构设计显著减少了边界泄漏，提升了定位精度。
• 结果证实，池化层中对特征的保留是提升复杂皮肤病变病例分割性能的关键因素。