[论文解读] DenseNet approach to segmentation and classification of dermatoscopic skin lesions images

Reza Zare, Arash Pourkazemi|arXiv (Cornell University)|Oct 9, 2021

Cutaneous Melanoma Detection and Management被引用 5

一句话总结

该论文提出了一种混合深度学习框架，结合U-Net以精确分割皮肤镜下皮肤病变，并结合DenseNet121实现精确分类。在ISIC-2018和HAM10000数据集上进行评估，该模型在区分非癌性与癌性病变方面达到93.11%的准确率，展现出在皮肤癌诊断中分割与多分类任务的强劲性能。

ABSTRACT

At present, cancer is one of the most important health issues in the world. Because early detection and appropriate treatment in cancer are very effective in the recovery and survival of patients, image processing as a diagnostic tool can help doctors to diagnose in the first recognition of cancer. One of the most important steps in diagnosing a skin lesion is to automatically detect the border of the skin image because the accuracy of the next steps depends on it. If these subtleties are identified, they can have a great impact on the diagnosis of the disease. Therefore, there is a good opportunity to develop more accurate algorithms to analyze such images. This paper proposes an improved method for segmentation and classification for skin lesions using two architectures, the U-Net for image segmentation and the DenseNet121 for image classification which have excellent accuracy. We tested the segmentation architecture of our model on the ISIC-2018 dataset and the classification on the HAM10000 dataset. Our results show that the combination of U-Net and DenseNet121 architectures provides acceptable results in dermatoscopic image analysis compared to previous research. Another classification examined in this study is cancerous and non-cancerous samples. In this classification, cancerous and non-cancerous samples were detected in DenseNet121 network with 79.49% and 93.11% accuracy respectively.

研究动机与目标

• 提高皮肤镜下皮肤病变图像自动分割与分类的准确性，以实现早期皮肤癌检测。
• 解决精确病变边界检测的挑战，该问题显著影响下游诊断的准确性。
• 评估U-Net与DenseNet121集成模型在标准化皮肤镜数据集上的性能。
• 评估模型以高精度将病变分类为癌性或非癌性的能力。
• 为皮肤科临床决策支持提供一种强大且端到端的深度学习解决方案。

提出的方法

• 采用U-Net架构进行皮肤病变的语义分割，以精确勾勒病变边界。
• 采用DenseNet121作为分类主干网络，利用其密集连接机制实现特征重用并改善梯度流动。
• 在ISIC-2018数据集上端到端训练用于分割，在HAM10000数据集上端到端训练用于分类。
• 应用ImageNet预训练权重进行迁移学习，以提升在有限皮肤镜数据上的收敛速度与性能。
• 采用标准的深度学习优化技术，包括Adam优化器和学习率调度策略。
• 应用数据增强策略，如旋转、翻转和色彩抖动，以增强模型泛化能力。

实验结果

研究问题

• RQ1 与先前方法相比，U-Net与DenseNet121混合模型是否能在皮肤镜图像上实现更优的分割与分类性能？
• RQ2 该模型在使用HAM10000数据集时，能否准确区分癌性与非癌性皮肤病变？
• RQ3 精确的病变分割在多大程度上提升了皮肤癌诊断中的下游分类准确性？
• RQ4 在ISIC-2018数据集上，该模型在Dice系数或IoU等分割指标上的表现如何？
• RQ5 该模型在不同皮肤镜图像分布下的泛化能力如何？

主要发现

• 所提出的模型在HAM10000数据集上对非癌性皮肤病变的分类准确率达到93.11%。
• 该模型在识别癌性病变方面达到79.49%的准确率，表明其在区分恶性病例方面表现优异。
• U-Net与DenseNet121的集成在ISIC-2018数据集（分割任务）和HAM10000数据集（分类任务）上均展现出可接受的性能结果。
• DenseNet121的使用得益于其密集连接机制，实现了有效的特征学习，增强了分类的鲁棒性。
• 该模型通过结合精确的病变定位与高诊断准确率，展现出作为临床决策支持工具的潜力。
• 结果表明，该框架在皮肤镜图像的联合分割与分类任务中优于先前的方法。