一种用于皮肤病变检测与分割的多任务框架

皮肤病变的早期检测与分割对于及时诊断和治疗至关重要，是提高患者存活率所必需的。然而，手动勾画耗时且受皮肤科医生间及医生内差异的影响。这凸显了对准确自动皮肤病变分割方法的需求。为解决此问题，我们提出了一种基于多任务卷积神经网络（CNN）的联合检测与分割框架，旨在先定位病变随后进行分割。使用包含区域提议网络（RPN）的“Faster 基于区域的卷积神经网络”（Faster-RCNN）来生成边界框/区域提议，以定位每幅图像中的病变。随后使用 softmax 分类器和边界框回归器对提议区域进行精炼。最后将精炼后的边界框裁剪并使用“SkinNet”（U-Net 的修改版本）进行分割。我们使用 ISBI 2017 挑战赛和 PH2 数据集训练并评估了网络性能，并使用前者挑战赛发布的官方测试数据与其他最先进方法进行比较。在五折交叉验证实验中，我们的方法在 Dice 系数（$>0.93$）、Jaccard 指数（$>0.88$）、准确率（$>0.96$）和灵敏度（$>0.95$）方面均优于其他方法。