Dermo-DOCTOR：一种使用具有端到端双编码器的深度卷积神经网络进行并发皮肤病变检测与识别的框架
图像与视频处理
2021-02-24 v2 计算机视觉与模式识别
机器学习
摘要
用于同步检测与识别的自动化皮肤病变分析因类间同质性与类内异质性而仍具挑战性，导致单一卷积神经网络（CNN）在有限数据集下泛化能力低下。本文提出一种基于端到端深度 CNN 的同步皮肤病变检测与识别框架，命名为 Dermo-DOCTOR，其由两个编码器组成。来自两个编码器的特征图按通道融合，称为融合特征图（FFM）。该 FFM 用于检测子网络中的解码，将两个编码器各阶段输出与相应解码器层拼接，以恢复因编码器池化而丢失的空间信息。对于识别子网络，利用两个编码器与 FFM 的特征图，三个全连接层的输出被聚合以获得最终病变类别。我们利用 ISIC-2016 和 ISIC-2017 两个公开基准数据集对提出的 Dermo-DOCTOR 进行训练与评估。所取得的分割结果在 ISIC-2016 和 ISIC-2017 测试集上分别展现出 85.0% 和 80.0% 的平均交并比。所提 Dermo-DOCTOR 在病变识别上也表现出值得称赞的成功，为这两个数据集分别提供了 0.98 和 0.91 的受试者工作特征曲线下面积。实验结果表明，所提 Dermo-DOCTOR 优于文献中提及的专为皮肤病变检测与识别设计的替代方法。由于 Dermo-DOCTOR 即使在有限训练数据下也能在两个不同测试集上提供更好的结果，它可成为皮肤科医生一种有前景的计算机辅助工具。
引用
@article{arxiv.2102.01824,
title = {Dermo-DOCTOR: A framework for concurrent skin lesion detection and recognition using a deep convolutional neural network with end-to-end dual encoders},
author = {Md. Kamrul Hasan and Shidhartho Roy and Chayan Mondal and Md. Ashraful Alam and Md. Toufick E Elahi and Aishwariya Dutta and S. M. Taslim Uddin Raju and Md. Tasnim Jawad and Mohiuddin Ahmad},
journal= {arXiv preprint arXiv:2102.01824},
year = {2021}
}
备注
39 Pages