利用基于对抗学习的数据增强改进自动皮肤病变分割
计算机视觉与模式识别
2018-08-01 v2
摘要
皮肤病变分割被视为自动化黑色素瘤诊断中计算机辅助诊断（CAD）的重要步骤。近年来，基于全卷积网络（FCN）的分割方法在通用图像上取得了巨大成功。这一成功主要归因于利用大型标注数据集来学习与图像浅层外观及深层语义相对应的特征。然而，对大型数据集的依赖并不能很好地迁移至医学图像。为提升 FCN 在皮肤病变分割上的性能，研究者尝试使用特定的代价函数或添加后处理算法以细化 FCN 结果的粗糙边界。但这些方法的性能严重依赖于众多参数与后处理技术的调优。本文中，我们利用生成对抗网络（GAN）这一最先进的图像特征学习方法，因其借助深度神经网络与对抗学习概念具有生成一致且逼真图像特征的固有能力。我们对 GAN 加以改进，使皮肤病变特征能以受控方式在不同复杂度层次上被学习。我们方法的输出随后被增强至现有 FCN 训练数据中，从而提升整体特征多样性。我们在 ISIC 2018 皮肤病变分割挑战数据集上评估了该方法，结果表明与现有皮肤病变分割方法相比，其更精确且更鲁棒。
引用
@article{arxiv.1807.08392,
title = {Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation},
author = {Lei Bi and Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:1807.08392},
year = {2018}
}
备注
6 pages