基于集成深度学习方法在皮肤镜图像中的自动病变边界分割
图像与视频处理
2019-07-31 v2 计算机视觉与模式识别
摘要
皮肤癌（尤其是黑色素瘤）的早期检测对于实现先进治疗至关重要。由于皮肤癌数量快速增长，对皮肤病变计算机化分析的需求日益增加。最先进的公开可用皮肤病变数据集通常伴随极少量的分割真值标注，因为这费力且昂贵。病变边界分割对于在皮肤镜图像中准确定位病变以及不同皮肤病变类型的病变诊断至关重要。在这项工作中，我们提出使用全自动深度学习集成方法进行皮肤镜图像中准确的病变边界分割。我们在 ISIC-2017 分割训练集上训练了 Mask-RCNN 和 DeepLabv3+ 方法，并在 ISIC-2017 测试集上评估集成网络的性能。我们的结果表明，所提出的最佳集成方法在 ISIC-2017 测试集上以 79.58% 的 Jaccard 指数分割皮肤病变。所提出的集成方法在 Jaccard 指数上分别优于 FrCN、FCN、U-Net 和 SegNet 2.48%、7.42%、17.95% 和 9.96%。此外，所提出的集成方法在 ISIC-2017 测试集上对一些具有代表性的临床良性病例达到了 95.6% 的准确率，对黑色素瘤病例达到 90.78%，对脂溢性角化病病例达到 91.29%，表现出优于 FrCN、FCN、U-Net 和 SegNet 的性能。
引用
@article{arxiv.1902.00809,
title = {Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods},
author = {Manu Goyal and Amanda Oakley and Priyanka Bansal and Darren Dancey and Moi Hoon Yap},
journal= {arXiv preprint arXiv:1902.00809},
year = {2019}
}
备注
7 pages, 8 figures and 4 tables. arXiv admin note: text overlap with arXiv:1711.10449