[论文解读] Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units

Sabari Nathan, Priya Kansal|arXiv (Cornell University)|Dec 28, 2020

Cutaneous Melanoma Detection and Management参考文献 27被引用 5

一句话总结

Lesion Net 提出了一种基于坐标卷积层以增强平移不变性，并结合残差单元以实现更深网络训练的深度学习框架，用于皮肤病变分割。通过结合交叉熵损失和Dice损失，该模型在ISIC 2018、2017、2016以及PH2数据集上实现了最先进性能，分割精度优于或匹配现有方法。

ABSTRACT

Skin lesions segmentation is an important step in the process of automated diagnosis of the skin melanoma. However, the accuracy of segmenting melanomas skin lesions is quite a challenging task due to less data for training, irregular shapes, unclear boundaries, and different skin colors. Our proposed approach helps in improving the accuracy of skin lesion segmentation. Firstly, we have introduced the coordinate convolutional layer before passing the input image into the encoder. This layer helps the network to decide on the features related to translation invariance which further improves the generalization capacity of the model. Secondly, we have leveraged the properties of deep residual units along with the convolutional layers. At last, instead of using only cross-entropy or Dice-loss, we have combined the two-loss functions to optimize the training metrics which helps in converging the loss more quickly and smoothly. After training and validating the proposed model on ISIC 2018 (60% as train set + 20% as validation set), we tested the robustness of our trained model on various other datasets like ISIC 2018 (20% as test-set) ISIC 2017, 2016 and PH2 dataset. The results show that the proposed model either outperform or at par with the existing skin lesion segmentation methods.

研究动机与目标

• 为应对不规则形状、边界不清晰以及训练数据有限的挑战，提升皮肤病变分割的精度。
• 通过引入编码空间位置信息的坐标卷积层，增强模型的泛化能力。
• 通过结合交叉熵损失和Dice损失函数，稳定并加速训练过程。
• 在包括ISIC 2016、2017、2018和PH2在内的多个基准数据集上评估模型的鲁棒性。
• 开发一种在不同皮肤类型和病变表现下均表现良好的分割模型。

提出的方法

• 在编码器之前引入坐标卷积层，以注入空间位置信息，提升平移不变性与特征学习能力。
• 采用深度残差单元，以支持更深网络的训练，并缓解梯度消失问题。
• 采用多损失优化策略，结合交叉熵损失与Dice损失，以平衡前景与背景类别预测。
• 在ISIC 2018数据集的60%用于训练，20%用于验证，随后在预留的ISIC 2018（20%）、ISIC 2017、ISIC 2016和PH2数据集上进行测试。
• 应用标准的数据增强与归一化技术，以提升在多样化皮肤病变图像上的泛化能力。
• 采用编码器-解码器架构并结合跳跃连接，以保留空间细节，实现精确分割。

实验结果

研究问题

• RQ1 坐标卷积是否能提升在形状不规则、边界模糊的皮肤病变上的分割性能？
• RQ2 残差单元的集成是否能增强皮肤病变分割中训练的稳定性与模型精度？
• RQ3 结合交叉熵损失与Dice损失的函数如何影响收敛速度与分割质量？
• RQ4 所提出的模型是否能在成像条件与皮肤类型各异的多个公开皮肤病变数据集上实现良好泛化？
• RQ5 该模型是否在ISIC 2018、2017、2016和PH2等基准数据集上超越现有最先进方法？

主要发现

• 所提出的Lesion Net在ISIC 2018测试集（20%划分）上实现了优越或具有竞争力的性能，表现出强大的泛化能力。
• 在ISIC 2017与ISIC 2016数据集上，该模型在分割精度方面优于现有方法。
• 在PH2数据集上，Lesion Net取得了具有竞争力的结果，表明其在不同成像协议与皮肤类型下的鲁棒性。
• 坐标卷积与残差单元的结合显著提升了特征学习能力与模型泛化能力。
• 双重损失函数（交叉熵 + Dice）使训练过程实现更快且更平滑的收敛。
• 该模型在多样化数据集上表现出一致的性能，证实其对病变外观与肤色差异具有强鲁棒性。