[论文解读] Skin lesion segmentation using U-Net and good training strategies

Fred Guth, Teofilo E. deCampos|arXiv (Cornell University)|Nov 27, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用 5

一句话总结

该论文提出了一种基于U-Net34的模型，并采用先进的训练策略进行皮肤病变分割，在ISIC 2018挑战赛中实现了77.5%的阈值Jaccard指数。该方法结合了迁移学习、金字塔训练、循环学习率以及模型集成，显著提升了基线U-Net方法的分割精度。

ABSTRACT

In this paper we approach the problem of skin lesion segmentation using a convolutional neural network based on the U-Net architecture. We present a set of training strategies that had a significant impact on the performance of this model. We evaluated this method on the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection, obtaining threshold Jaccard index of 77.5%.

研究动机与目标

• 通过深度学习提升皮肤病变分割精度，以实现早期黑色素瘤检测。
• 评估现代训练策略对皮肤镜图像中基于U-Net的分割性能的影响。
• 在ISIC 2018皮肤病变分析挑战赛中实现最先进的分割性能。
• 通过稳健的训练技术应对小病变检测和模糊真实标签的挑战。

提出的方法

• 该模型采用带有预训练ResNet34主干网络作为编码器路径的U-Net34架构。
• 通过在ImageNet权重上微调ResNet34编码器，采用迁移学习策略进行训练。
• 采用金字塔迁移策略，先在128×128图像上训练模型，随后逐步在256×256和512×512图像上训练，以提升特征学习能力。
• 采用斜三角形学习率（STLR）调度策略，以加速收敛并改善泛化性能。
• 损失函数采用带logits的二元交叉熵，因其在初步实验中表现优于软Jaccard变体。
• 模型选择采用BestDice（最佳单模型）和三折交叉验证下的集成策略。

实验结果

研究问题

• RQ1 基于现代训练策略的U-Net34架构能否在ISIC 2018数据集中实现更优的皮肤病变分割性能？
• RQ2 金字塔训练和学习率调度对分割精度和收敛速度有何影响？
• RQ3 与在验证集上选择单个模型相比，集成学习是否能提升泛化能力？
• RQ4 从ImageNet进行迁移学习在提升小病变或模糊病变分割性能方面效果如何？

主要发现

• 集成策略在验证集上实现了85.39%的Jaccard指数和78.43%的阈值Jaccard指数（65%截断点）。
• BestDice策略在ISIC 2018测试集上获得了官方在线评分75.5%的Jaccard指数。
• 该模型优于2017年排名第一的参赛者（其平均Jaccard指数为76.5%），显示出显著改进。
• 模型在小病变以及笔迹标记或玻璃等伪影的检测上表现最弱，表明在细粒度定位方面仍存在局限性。
• 视觉分析显示，许多情况下分割结果与真实标签几乎无法区分，但错误多集中于模糊或低对比度区域。