具有聚合多分辨率跳跃连接的深度卷积编解码器用于皮肤病变分割
计算机视觉与模式识别
2019-10-07 v2
摘要
皮肤黑色素瘤的患病率及其患者死亡病例数正在迅速上升。自动图像分割工具在为皮肤黑色素瘤患者提供标准化计算机辅助分析方面发挥着重要作用。当前最先进的分割方法基于全卷积神经网络，采用编解码器结构。然而，这些方法由于在编码层丢失位置信息而产生粗糙的分割掩码。受金字塔场景解析网络（PSP-Net）启发，我们提出了一种编解码器模型，其在深层跳跃连接中利用金字塔池化模块来聚合全局上下文并补偿丢失的空间信息。我们使用 ISIC 2018：朝向黑色素瘤检测的皮肤病变分析重大挑战数据集对方法进行训练和验证。我们的方法在验证中取得了 Jaccard 指数为 0.837 的准确率，优于 U-Net。我们相信凭借所报告的可靠准确率，该方法可引入临床实践。
引用
@article{arxiv.1901.09197,
title = {Deep Convolutional Encoder-Decoders with Aggregated Multi-Resolution Skip Connections for Skin Lesion Segmentation},
author = {Ahmed H. Shahin and Karim Amer and Mustafa A. Elattar},
journal= {arXiv preprint arXiv:1901.09197},
year = {2019}
}
备注
Accepted for publication at the IEEE International Symposium on Biomedical Imaging (ISBI 2019)