[论文解读] II-FCN for skin lesion analysis towards melanoma detection

Hongdiao Wen|arXiv (Cornell University)|Feb 28, 2017

Cutaneous Melanoma Detection and ManagementMedicine参考文献 8被引用 17

一句话总结

本文提出II-FCN，一种具有身份旁路块的对称全卷积网络，用于皮肤镜图像中的黑色素瘤分割。该方法整合了空洞卷积、条件随机场（CRF）以及一种新型近似Jaccard指数损失与损失归一化，以提升边界精度和泛化能力，在ISBI 2017数据集上实现了0.82的Jaccard指数，且未出现过拟合现象。

ABSTRACT

Dermoscopy image detection stays a tough task due to the weak distinguishable property of the object.Although the deep convolution neural network signifigantly boosted the performance on prevelance computer vision tasks in recent years,there remains a room to explore more robust and precise models to the problem of low contrast image segmentation.Towards the challenge of Lesion Segmentation in ISBI 2017,we built a symmetrical identity inception fully convolution network which is based on only 10 reversible inception blocks,every block composed of four convolution branches with combination of different layer depth and kernel size to extract sundry semantic features.Then we proposed an approximate loss function for jaccard index metrics to train our model.To overcome the drawbacks of traditional convolution,we adopted the dilation convolution and conditional random field method to rectify our segmentation.We also introduced multiple ways to prevent the problem of overfitting.The experimental results shows that our model achived jaccard index of 0.82 and kept learning from epoch to epoch.

研究动机与目标

• 解决皮肤镜图像中对比度低、难以区分的皮肤病变在黑色素瘤检测中的挑战。
• 开发一种轻量化、鲁棒的全卷积网络，即使在训练数据有限的情况下也能实现良好泛化。
• 通过整合空洞卷积和CRF等先进组件，提升分割精度，实现边界细化。
• 通过动态数据增强和损失归一化，克服深度网络中的过拟合问题。
• 提出一种可微分的近似Jaccard指数损失，用于端到端训练，使其与评估指标保持一致。

提出的方法

• 提出一种对称的身份旁路块，由四个具有不同卷积核大小和深度的卷积分支组成，实现无需零填充的特征融合。
• 采用可逆架构，利用转置卷积实现对称的编码器-解码器设计，从而减少参数量。
• 设计一种归一化损失函数，根据目标物占比重新加权前景和背景像素，以平衡类别不平衡问题。
• 通过取对数近似方法设计一种近似可微分的Jaccard指数损失，以直接优化评估指标。
• 在最后几层使用空洞卷积，扩大感受野并消除分割中的“黑点”现象。
• 将条件随机场（CRF）作为后处理步骤，用于细化边界并抑制小的虚假分割区域。

实验结果

研究问题

• RQ1 具有身份旁路块的对称轻量化全卷积网络是否能在皮肤病变分割任务中超越标准FCN架构？
• RQ2 将动态数据增强与损失归一化结合，是否能提升模型泛化能力并减少过拟合？
• RQ3 近似Jaccard指数损失在多大程度上提升了训练过程与评估指标的一致性？
• RQ4 空洞卷积与CRF的整合在提升边界精度和减少假阳性方面效果如何？
• RQ5 仅通过数据增强和损失工程，从零开始训练的模型是否能实现高性能，而无需迁移学习？

主要发现

• II-FCN模型在ISBI 2017皮肤镜病变分割基准上取得了0.82的Jaccard指数。
• 模型在各训练周期中保持了稳定的学习进度，表明训练过程有效且泛化能力良好。
• CRF后处理步骤使基线Jaccard指数平均提升了0.005。
• 动态数据增强与损失归一化的结合有效缩小了训练集与测试集数据分布之间的差异。
• 得益于架构与训练策略的创新，该模型在仅使用有限数据从零训练的情况下，仍表现出对过拟合的强鲁棒性。
• 近似Jaccard指数损失有效引导了对主要评估指标的优化，展现出与最终性能的强一致性。