[论文解读] Lesion Analysis and Diagnosis with Mask-RCNN

А. П. Сорокин|arXiv (Cornell University)|Jul 10, 2018

Advanced Neural Network Applications参考文献 4被引用 11

一句话总结

该论文针对ISIC 2018挑战赛提出了一种混合Mask R-CNN方法，通过结合病变边界分割与属性检测，以提升皮肤病变的诊断性能。该方法利用预测掩码和投票机制，在训练集上实现了84.20%的疾病分类准确率，尽管由于分辨率限制和类别重叠问题，属性检测性能仍然较低。

ABSTRACT

This project applies Mask R-CNN method to ISIC 2018 challenge tasks: lesion boundary segmentation (task1), lesion attributes detection (task 2), lesion diagnosis (task 3), a solution to the latter is using a trained model for task 1 and a simple voting procedure.

研究动机与目标

• 解决ISIC 2018挑战赛中的任务：病变边界分割、属性检测和疾病分类。
• 通过整合分割与属性检测模型的结果，提升病变诊断的准确性。
• 评估Mask R-CNN在具有不同病变复杂度和属性重叠情况下的皮肤镜图像上的表现。
• 研究输入分辨率和模型架构对细粒度属性识别的影响。
• 在训练集和独立验证集上验证所提出的混合诊断方法的性能。

提出的方法

• 所有任务均采用预训练的Mask R-CNN模型（ResNet-50为主干网络），并在ISIC 2018数据上进行微调。
• 应用数据增强技术，包括翻转、旋转、亮度缩放和高斯模糊，以提升模型鲁棒性。
• 对于任务3（诊断），基于掩码面积采用投票策略，整合病变边界检测器和类别掩码检测器的预测结果。
• 在带有疾病类别标签的病变掩码上训练了独立的Mask R-CNN模型，输入分辨率为600×450，输出类别数为7。
• 以Jaccard指数作为分割和属性检测的主要评估指标，以归一化的多分类准确率作为诊断评估指标。
• 通过使用COCO预训练权重进行迁移学习，以提升收敛速度和模型性能。

实验结果

研究问题

• RQ1 Mask R-CNN能否在ISIC 2018数据集上有效实现皮肤病变边界的分割与皮肤镜属性的检测？
• RQ2 Mask R-CNN在不同病变属性上的表现如何，特别是针对具有小尺寸或重叠特征的属性？
• RQ3 结合病变边界分割与属性检测是否能相比直接分类提升最终疾病分类的准确率？
• RQ4 输入分辨率和掩码尺寸（56×56）对细粒度皮肤镜特征检测有何影响？
• RQ5 尽管采用了数据增强和迁移学习，为何模型在某些属性（如颗粒样结构和微囊样囊肿）上的表现仍然较差？

主要发现

• 病变边界分割模型在测试集上的Jaccard得分为0.7902，在验证数据上的得分为0.789。
• 属性检测性能较低，平均Jaccard得分为0.2800，表现最好的属性（色素网）得分为0.3725。
• 混合诊断模型在训练集上达到84.20%的准确率，其中NV类别表现最佳（92.48%），AKIEC类别表现最低（46.15%），且存在大量被误分类为MEL的情况。
• 诊断任务在验证集上的得分为74.4%，表明在未见数据上性能有所下降，提示可能存在过拟合或领域偏移问题。
• 可视化分析显示，属性重叠以及固定的56×56掩码分辨率限制了模型对小尺寸或复杂特征（如颗粒样结构）的检测能力。
• 验证系统返回的属性检测得分（0.409）高于内部测试得分（0.2800），表明评估过程或数据分布可能存在差异。