[论文解读] Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks

Md Zahangir Alom, Theus H. Aspiras+2 more|arXiv (Cornell University)|Apr 25, 2019

Cutaneous Melanoma Detection and Management参考文献 12被引用 32

一句话总结

介绍 NABLA-N 用于皮肤镜图像分割，以及 IRRCNN 用于皮肤癌分类，在 ISIC-2018 上进行评估，结果具有竞争力。

ABSTRACT

In the last few years, Deep Learning (DL) has been showing superior performance in different modalities of biomedical image analysis. Several DL architectures have been proposed for classification, segmentation, and detection tasks in medical imaging and computational pathology. In this paper, we propose a new DL architecture, the NABLA-N network, with better feature fusion techniques in decoding units for dermoscopic image segmentation tasks. The NABLA-N network has several advances for segmentation tasks. First, this model ensures better feature representation for semantic segmentation with a combination of low to high-level feature maps. Second, this network shows better quantitative and qualitative results with the same or fewer network parameters compared to other methods. In addition, the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model is used for skin cancer classification. The proposed NABLA-N network and IRRCNN models are evaluated for skin cancer segmentation and classification on the benchmark datasets from the International Skin Imaging Collaboration 2018 (ISIC-2018). The experimental results show superior performance on segmentation tasks compared to the Recurrent Residual U-Net (R2U-Net). The classification model shows around 87% testing accuracy for dermoscopic skin cancer classification on ISIC2018 dataset.

研究动机与目标

• 推进利用在解码单元中增强特征融合的新型 NABLA-N 架构对药皮镜图像进行语义分割的研究。
• 通过 Inception Recurrent Residual Convolutional Neural Network (IRRCNN) 提升皮肤癌分类性能。
• 在 ISIC-2018 基准数据集上 Demonstrate superior segmentation over R2U-Net on ISIC-2018 benchmark datasets.
• Showcase competitive classification accuracy on ISIC-2018 for dermoscopic skin cancer.

提出的方法

• 提出通过在解码过程中融合低级到高级特征图来改进特征表示的 NABLA-N 网络。
• 在皮肤镜图像的分割任务中使用 NABLA-N。
• 将 Inception Recurrent Residual Convolutional Neural Network (IRRCNN) 应用于皮肤癌分类。
• 在 ISIC-2018 基准数据集上对 NABLA-N 和 IRRCNN 进行评估。
• 将分割性能与 Recurrent Residual U-Net (R2U-Net) 进行比较。
• 在 ISIC-2018 上报告分类准确率（约 87% 的测试准确率）。

实验结果

研究问题

• RQ1 NABLA-N 是否能够通过增强的多尺度特征融合提供对皮肤镜图像的优越语义分割？
• RQ2 IRRCNN 是否在 ISIC-2018 上获得具有竞争力的皮肤癌分类准确性？
• RQ3 NABLA-N 基于的分割结果与 ISIC-2018 上的 R2U-Net 相比如何？
• RQ4 使用所提出的架构在分割和分类方面有哪些定量与定性提升？

主要发现

• NABLA-N 通过融合低级到高级特征图提供更好的特征表示以实现语义分割。
• 在同等或更少参数的情况下，NABLA-N 取得优越的分割性能，相较于竞争方法。
• IRRCNN 在 ISIC-2018 皮肤镜皮肤癌分类的测试准确率约为 87%。
• 分割结果在 ISIC-2018 基准上显示出对 R2U-Net 的改进。
• 所提出的方法在 ISIC-2018 上对两项任务都显示出强烈的定性和定量结果。