[论文解读] Improving Dermoscopic Image Segmentation with Enhanced Convolutional-Deconvolutional Networks

Yading Yuan, Yeh‐Chi Lo|arXiv (Cornell University)|Sep 28, 2017

Cutaneous Melanoma Detection and Management参考文献 27被引用 6

一句话总结

本文提出了一种增强的卷积-反卷积神经网络（CDNN），用于皮肤镜图像分割，采用更深的网络结构、更小的卷积核以及多色彩空间输入（RGB、HSV、CIELAB），以提升特征判别能力与训练效率。该方法在2,000张ISBI 2017挑战赛图像上进行训练，在600张图像的测试集上取得了0.765的Jaccard指数，位列竞赛第一。

ABSTRACT

Automatic skin lesion segmentation on dermoscopic images is an essential step in computer-aided diagnosis of melanoma. However, this task is challenging due to significant variations of lesion appearances across different patients. This challenge is further exacerbated when dealing with a large amount of image data. In this paper, we extended our previous work by developing a deeper network architecture with smaller kernels to enhance its discriminant capacity. In addition, we explicitly included color information from multiple color spaces to facilitate network training and thus to further improve the segmentation performance. We extensively evaluated our method on the ISBI 2017 skin lesion segmentation challenge. By training with the 2000 challenge training images, our method achieved an average Jaccard Index (JA) of 0.765 on the 600 challenge testing images, which ranked itself in the first place in the challenge

研究动机与目标

• 为了改善皮肤镜图像中皮肤病变的自动分割，该任务仍具挑战性，原因在于病变外观的高度可变性以及图像伪影的存在。
• 通过采用更深的网络结构与更小的卷积核，提升深度学习模型的判别能力。
• 通过在RGB之外引入来自HSV与CIELAB色彩空间的颜色特征，提升训练效率与鲁棒性。
• 在ISBI 2017黑色素瘤检测皮肤病变分析挑战赛中实现最先进性能。
• 开发一种可泛化的框架，适用于其他医学图像分割任务。

提出的方法

• 所提出的模型采用更深的全卷积网络（FCN）架构，使用更小的卷积核，以增强非线性特征学习能力，同时减少参数量。
• 将HSV中的三个通道以及CIELAB中的明度（L）通道的颜色信息与RGB通道拼接，以提供互补的色度与亮度特征。
• 采用基于Jaccard距离的新型损失函数，实现端到端训练，直接优化分割性能，并强调病变像素而非背景。
• 通过双线性插值将图像缩放至192×256，以在分割精度与计算成本之间取得平衡。
• 在多个色彩空间中对各通道应用数据增强，以保持图像外观的真实性并提升泛化能力。
• 在ISBI 2017挑战赛数据集上评估模型，包含2,000张训练图像、150张验证图像以及600张盲测图像。

实验结果

研究问题

• RQ1 在外观高度多变的皮肤镜图像中，更深的网络结构与更小的卷积核是否能提升病变分割性能？
• RQ2 与仅使用RGB相比，融合来自HSV与CIELAB色彩空间的颜色特征是否能提升训练效率与分割准确率？
• RQ3 基于Jaccard距离的损失函数是否能通过聚焦于病变区域的训练，减少背景误分类，从而提升分割性能？
• RQ4 所提出方法在ISBI 2017皮肤病变分割基准上与最先进方法相比表现如何？
• RQ5 多色彩空间输入在多大程度上能减少过拟合并提升医学图像分割的鲁棒性？

主要发现

• 所提出的CDNN在ISBI 2017挑战赛测试集上取得了0.765的平均Jaccard指数，21个提交结果中排名第一。
• 更深的网络结构与更小的卷积核显著提升了模型对多样化病变外观与成像条件的判别能力。
• 在RGB之外引入HSV与CIELAB色彩通道，使网络训练更加高效且鲁棒，减少了过拟合并提升了分割准确率。
• 基于Jaccard距离的损失函数增强了对病变像素的敏感性，通过优先预测正确病变边界，显著提升了分割性能。
• 该模型展现出强大的泛化能力，在ISBI 2016与ISBI 2017数据集上均优于以往的最先进方法。
• 尽管性能优异，但在边界模糊或存在伪影的复杂病例中仍出现分割失败，表明通过模型集成或先进后处理方法仍有进一步提升空间。