用于皮肤镜图像病灶分割的深度监督旋转等变网络
计算机视觉与模式识别
2018-07-10 v1
摘要
皮肤镜图像中病灶的自动分割是黑色素瘤计算机辅助诊断的关键步骤。皮肤镜图像具有旋转和反射对称性，然而这一几何性质尚未被基于最先进卷积神经网络的皮肤病灶分割方法所编码。本文中，我们通过扩展近期的群旋转等变网络~\cite{cohen2016group}，提出一种用于皮肤病灶分割的深度监督旋转等变网络。具体而言，我们提出 G-上采样（G-upsampling）和 G-投影（G-projection）操作，将旋转等变分类网络适配于我们的皮肤病灶分割问题。为进一步提升性能，我们将深度监督方案整合进我们提出的旋转等变分割架构中。整个框架对包括旋转和反射在内的输入变换具有等变性，这提高了网络效率，从而有助于分割性能。我们在 ISIC 2017 皮肤病灶挑战数据集上对我们的方法进行了广泛评估。实验结果表明，在不同实验设置下，具有相同模型复杂度的旋转等变网络始终优于常规对应网络。我们的最佳模型在测试集上达到了 77.23\%（JA），优于最先进的挑战性方法，进一步证明了我们提出的深度监督旋转等变分割网络的有效性。我们的最佳模型也优于最先进的挑战性方法，进一步证明了我们提出的深度监督旋转等变分割网络的有效性。
引用
@article{arxiv.1807.02804,
title = {Deeply Supervised Rotation Equivariant Network for Lesion Segmentation in Dermoscopy Images},
author = {Xiaomeng Li and Lequan Yu and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1807.02804},
year = {2018}
}