用于皮肤病变分割的双向皮肤镜特征学习与多尺度一致性决策融合
计算机视觉与模式识别
2020-02-21 v1
摘要
从皮肤镜图像中准确分割皮肤病变是黑色素瘤计算机辅助诊断的关键环节。由于不同患者的皮肤镜图像存在不可忽略的病变差异,导致解剖结构学习与一致的皮肤病变勾画困难,因此该任务具有挑战性。本文提出一种新颖的双向皮肤镜特征学习(biDFL)框架,以建模皮肤病变与其信息性上下文之间的复杂关联。通过控制特征信息沿两个互补方向传递,获得了极为丰富且具有判别力的特征表示。具体而言,我们将 biDFL 模块置于 CNN 网络顶端以增强高层解析性能。此外,我们提出一种多尺度一致性决策融合(mCDF),能够有选择地聚焦于由多个分类层生成的信息性决策。通过分析各位置决策的一致性,mCDF 自动调整决策的可靠性,从而实现更具洞察力的皮肤病变勾画。综合实验结果表明所提方法在皮肤病变分割上的有效性,在两个公开皮肤镜图像数据库上一致地达到了最先进的性能。
引用
@article{arxiv.2002.08694,
title = {Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent Decision Fusion for Skin Lesion Segmentation},
author = {Xiaohong Wang and Xudong Jiang and Henghui Ding and Jun Liu},
journal= {arXiv preprint arXiv:2002.08694},
year = {2020}
}
备注
Accepted to TIP