用于自动皮肤病变分割与分类的相互自举模型
计算机视觉与模式识别
2020-02-13 v4
摘要
自动皮肤病变分割与分类是皮肤癌计算机辅助诊断中两个最基本且相关的任务。尽管深度学习模型已被广泛应用，但通常仅为单一任务而设计，忽略了联合执行这两个任务的潜在益处。本文提出用于同时进行皮肤病变分割与分类的相互自举深度卷积神经网络(MB-DCNN)模型。该模型由粗分割网络(coarse-SN)、掩码引导分类网络(mask-CN)和增强分割网络(enhanced-SN)组成。一方面，coarse-SN生成粗略病变掩码，为mask-CN提供先验自举信息，帮助其准确定位和分类皮肤病变。另一方面，mask-CN生成的病变定位图随后被输入至enhanced-SN，旨在将mask-CN学到的定位信息传递给enhanced-SN以实现精确的病变分割。通过这种方式，分割与分类网络相互传递知识并以自举方式相互促进。同时，我们还设计了一种新颖的秩损失，并将其与Dice损失共同用于分割网络中，以解决由类别不平衡和难易像素不平衡引起的问题。我们在ISIC-2017和PH2数据集上评估了所提出的MB-DCNN模型，在皮肤病变分割中分别实现了80.4%和89.4%的Jaccard指数，在皮肤病变分类中分别实现了93.8%和97.7%的平均AUC，优于代表性的SOTA皮肤病变分割与分类方法的性能。我们的结果表明，通过训练一个统一模型以相互自举的方式同时执行这两个任务，可以同时提升皮肤病变分割与分类的性能。
引用
@article{arxiv.1903.03313,
title = {A Mutual Bootstrapping Model for Automated Skin Lesion Segmentation and Classification},
author = {Yutong Xie and Jianpeng Zhang and Yong Xia and Chunhua Shen},
journal= {arXiv preprint arXiv:1903.03313},
year = {2020}
}
备注
Accepted at IEEE Transactions on Medical Imaging, Early Access