k-Means 聚类与回归集成：ISIC 2017 皮肤病变分割挑战赛的一种算法
计算机视觉与模式识别
2017-03-02 v1
摘要
本摘要简要描述了为 [ref] 举办的 ISIC 2017 皮肤病变检测竞赛开发的一种分割算法。该竞赛的目标是对皮肤镜图像中的皮肤病变进行分割（以二值掩膜图像的形式），使其尽可能接近由训练有素的临床医生所作的分割，后者被作为真值。本项目仅参与挑战赛的分割阶段。竞赛的其他阶段（特征提取和病变识别）不予考虑。所提出的算法包含 4 个步骤：(1) 病变图像预处理，(2) 使用像素颜色的 k-means 聚类进行图像分割，(3) 计算描述每个分割区域属性的一组特征，以及 (4) 计算每个区域的最终得分，表示其对应于合适病变分割的可能性。步骤 (4) 中的得分是通过将每个区域的得分作为输入，平均 2 个不同回归模型的结果而获得的。在使用该算法之前，必须使用竞赛提供的训练集图像和真值掩膜对这些回归模型进行训练。步骤 2 至 4 随着聚类数量的增加（因此图像被分割成更多区域）而重复执行，直到计算得分不再有进一步的改善。
引用
@article{arxiv.1702.07333,
title = {k-Means Clustering and Ensemble of Regressions: An Algorithm for the ISIC 2017 Skin Lesion Segmentation Challenge},
author = {David Alvarez and Monica Iglesias},
journal= {arXiv preprint arXiv:1702.07333},
year = {2017}
}
备注
Abstract submitted to arXiv as prerequisite to participate in the ISIC2017 Skin Lesion Segmentation Challenge