DONet：用于皮肤病变分割的双目标网络

皮肤病变分割是皮肤镜图像计算机辅助诊断中的关键步骤。过去几年，基于深度学习的语义分割方法显著推进了皮肤病变分割的结果。然而，由于病变尺度差异大、病变区域与背景差异模糊等挑战因素，当前性能仍不尽如人意。本文中，我们提出一个简单而有效的框架，称为双目标网络（Dual Objective Networks, DONet），以改进皮肤病变分割。我们的 DONet 采用两个对称解码器产生不同预测以逼近不同目标。具体而言，这两个目标实际由不同损失函数定义。如此，两个解码器被鼓励产生有差异的概率图以匹配不同优化目标，从而产生相应的互补预测。这两个目标学习到的互补信息进一步聚合在一起做出最终预测，由此可显著缓解分割图中存在的不确定性。此外，为解决皮肤镜图像中病变尺度和形状高度多样的挑战，我们额外提出循环上下文编码模块（recurrent context encoding module, RCEM）来建模皮肤病变间的复杂关联，其中不同尺度上下文的特征被高效整合以形成更鲁棒的表示。在两个流行基准上的大量实验很好地证明了所提 DONet 的有效性。特别地，我们的 DONet 在 ISIC 2018 和 $\text{PH}^2$ 上分别取得 0.881 和 0.931 的 dice 分数。代码将公开可用。