[论文解读] Skin Lesion Segmentation Using Atrous Convolution via DeepLab v3

Yujie Wang, Simon Sun+2 more|arXiv (Cornell University)|Jul 24, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用 12

一句话总结

本文提出在皮肤镜图像中使用 DeepLab v3 搭配空洞卷积进行皮肤病变分割，将该模型适配至 ISIC 2018 挑战赛数据集。尽管存在兼容性问题且训练时间有限，该方法仍取得了 0.498 的平均 Jaccard 指数，表明通过延长训练和超参数调优仍有改进空间。

ABSTRACT

As melanoma diagnoses increase across the US, automated efforts to identify malignant lesions become increasingly of interest to the research community. Segmentation of dermoscopic images is the first step in this process, thus accuracy is crucial. Although techniques utilizing convolutional neural networks have been used in the past for lesion segmentation, we present a solution employing the recently published DeepLab 3, an atrous convolution method for image segmentation. Although the results produced by this run are not ideal, with a mean Jaccard index of 0.498, we believe that with further adjustments and modifications to the compatibility with the DeepLab code and with training on more powerful processing units, this method may achieve better results in future trials.

研究动机与目标

• 开发一种基于深度学习的自动皮肤病变分割方法，采用最先进的语义分割技术。
• 将基于空洞卷积的 DeepLab v3 框架适配至 ISIC 2018 皮肤镜图像数据集，用于病变分割。
• 使用 Jaccard 指数作为主要指标，评估适配后模型的性能。
• 识别在将 ISIC 数据集与 DeepLab 代码库集成过程中遇到的实现挑战，并提出解决方案。
• 探究学习率、损失权重和训练步数等超参数对分割准确率的影响。

提出的方法

• 该模型采用 DeepLab v3，一种基于空洞（空洞）卷积的语义分割框架，可在保持空间分辨率的同时扩大感受野。
• 在金字塔池化模块中并行应用不同率的空洞卷积，以捕捉多尺度上下文信息。
• 使用来自 PASCAL VOC 数据集的 ImageNet 预训练权重对网络进行微调，初始学习率为 0.001，前景损失权重为 100。
• 对 ISIC 数据集进行预处理，将图像调整为 513×513 尺寸，并转换为 TFRecord 格式，以确保与基于 TensorFlow 的 DeepLab 兼容。
• 开发自定义评估脚本，通过比较预测掩码与真实掩码之间的像素级重叠，计算每张图像的 Jaccard 指数。
• 使用后处理脚本将预测结果重缩放至原始图像尺寸，并重新着色以符合 ISIC 挑战赛的格式要求。

实验结果

研究问题

• RQ1 基于空洞卷积的 DeepLab v3 架构能否在皮肤镜图像上实现有效的皮肤病变分割？
• RQ2 在 ISIC 2018 数据集上，DeepLab v3 的性能与以往基于 CNN 的方法相比如何？
• RQ3 将 DeepLab v3 代码库适配至 ISIC 数据集的主要挑战是什么？如何缓解这些问题？
• RQ4 学习率和损失权重等超参数的选择在多大程度上影响分割准确率？
• RQ5 通过延长训练和超参数调优，是否能够使 Jaccard 指数超越当前基准值 0.498？

主要发现

• 在 963 张测试图像上，模型取得了 0.498 的平均 Jaccard 指数，中位数为 0.500，标准差为 0.273。
• 仅 34.787% 的 963 张图像的 Jaccard 指数超过 ISIC 阈值 0.650，表明分割成功率有限。
• 模型在光照均匀、无明显伪影（如毛发或毛囊）的高质量图像上表现最佳。
• 主要误差来源被归因于实现和兼容性问题，而非空洞卷积方法本身的固有局限。
• 延长训练时间（尤其是超过 100 步）有望提升性能，作者相信未来可通过进一步训练获得显著增益。
• 由于内置 DeepLab 评估函数的局限性，必须使用自定义评估和后处理脚本。