[论文解读] Skin Lesion Segmentation and Classification for ISIC 2018 by Combining Deep CNN and Handcrafted Features

Redha Ali, Russell C. Hardie+2 more|arXiv (Cornell University)|Aug 14, 2019

Cutaneous Melanoma Detection and Management参考文献 2被引用 12

一句话总结

该论文通过融合深度卷积神经网络（CNN）特征与手工设计特征，在ISIC 2018挑战赛中提出了一种计算高效的皮肤病变分割与分类方法。作者引入了增强判别能力的混合特征，并将其输入多类SVM分类器，最终在任务3上取得了0.841的验证分数。

ABSTRACT

This short report describes our submission to the ISIC 2018 Challenge in Skin Lesion Analysis Towards Melanoma Detection for Task1 and Task 3. This work has been accomplished by a team of researchers at the University of Dayton Signal and Image Processing Lab. Our proposed approach is computationally efficient are combines information from both deep learning and handcrafted features. For Task3, we form a new type of image features, called hybrid features, which has stronger discrimination ability than single method features. These features are utilized as inputs to a decision-making model that is based on a multiclass Support Vector Machine (SVM) classifier. The proposed technique is evaluated on online validation databases. Our score was 0.841 with SVM classifier on the validation dataset.

研究动机与目标

• 通过多模态特征融合解决皮肤病变准确分割与分类的挑战，以实现黑色素瘤检测。
• 通过结合深度学习与手工设计特征，克服仅依赖其中一种方法的局限性，从而提升性能。
• 开发一种计算高效的方案，适用于皮肤科影像分析中的临床部署。
• 通过引入一种新型混合特征表示方法，结合深度特征与传统图像特征，提升特征判别能力。
• 通过稳健的混合特征-SVM流程，在ISIC 2018任务3基准上实现最先进性能。

提出的方法

• 利用深度CNN从皮肤病变图像中提取特征，以捕获分层的高层表示。
• 从相同图像中提取手工设计特征（如纹理、形状、颜色），以补充深度特征。
• 将深度特征与手工特征组合成新的混合特征向量，以增强判别能力。
• 使用多类支持向量机（SVM）分类器对混合特征向量进行最终分类。
• 通过ISIC 2018在线验证数据库对模型进行优化，用于任务3（皮肤病变分类）。
• 通过避免过于复杂的架构来确保计算效率，优先考虑实时应用。

实验结果

研究问题

• RQ1 将深度CNN特征与手工设计特征相结合，能否提升皮肤病变分析中的分类准确率？
• RQ2 所提出的混合特征表示方法是否在黑色素瘤检测中优于单一模态的特征提取方法？
• RQ3 当使用融合的深度与手工特征输入时，多类SVM分类器在ISIC 2018数据集上的表现有多高效？
• RQ4 该方法在提升性能的同时，能在多大程度上保持计算效率？
• RQ5 在临床环境中，多种特征类型的融合能否减少良性与恶性病变的误分类？

主要发现

• 所提出的混合特征融合方法在ISIC 2018任务3基准上取得了0.841的验证分数。
• 将深度CNN与手工设计特征相结合，显著提升了特征判别能力，优于单独使用任一方法。
• 多类SVM分类器在验证集上表现出强大的泛化能力，表明其对病变变异具有鲁棒性。
• 该方法保持了计算效率，适合在临床环境中部署。
• 结果证实，互补的特征类型可显著提升皮肤病变分类任务中的模型性能。