用于自动皮肤病变分割的级联上下文增强网络
图像与视频处理
2021-06-08 v3 计算机视觉与模式识别
摘要
皮肤病变分割是自动黑色素瘤诊断的重要步骤。由于不同患者病变的不可忽略的多样性,提取强大的上下文以进行细粒度语义分割至今仍具挑战性。尽管深度卷积神经网络(CNNs)在皮肤病变分割上已取得显著改进,但由于 CNN 内部连续的卷积步长与池化操作,它们常未能保留空间细节与长程依赖上下文。本文中,我们构建了一个用于自动皮肤病变分割的级联上下文增强神经网络。提出了一种带有基于门的信息整合方法的新型级联上下文聚合(CCA)模块,以顺序且选择性地聚合来自编码器子网络的原始图像与多级特征。所生成的上下文被进一步用于通过所设计的上下文引导局部亲和(CGL)模块引导判别性特征提取。此外,在 CCA 模块上添加了一个辅助损失以精炼预测。在我们的工作中,我们在四个公开皮肤皮肤镜图像数据集上评估了该方法。所提方法在 ISIC-2016、ISIC-2017、ISIC-2018 与 PH2 数据集上分别取得了 87.1%、80.3%、83.4% 与 86.6% 的 Jaccard 指数(JA),均高于其他 SOTA 模型。
引用
@article{arxiv.2004.08107,
title = {Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation},
author = {Ruxin Wang and Shuyuan Chen and Chaojie Ji and Ye Li},
journal= {arXiv preprint arXiv:2004.08107},
year = {2021}
}