Lesion Net——使用坐标卷积与深度残差单元的皮肤病变分割
图像与视频处理
2020-12-29 v1 计算机视觉与模式识别
机器学习
摘要
皮肤病变分割是皮肤黑色素瘤自动化诊断过程中的重要一步。然而，由于训练数据较少、形状不规则、边界不清晰以及肤色不同，黑色素瘤皮肤病变的分割精度是一项极具挑战性的任务。我们提出的方法有助于提高皮肤病变分割的准确性。首先，我们在将输入图像传入编码器之前引入了坐标卷积层。该层帮助网络决定与平移不变性相关的特征，从而进一步提高了模型的泛化能力。其次，我们利用了深度残差单元的特性以及卷积层。最后，我们没有仅使用交叉熵或 Dice 损失，而是结合了这两种损失函数来优化训练指标，这有助于更快速、更平滑地收敛损失。在 ISIC 2018（60% 作为训练集 + 20% 作为验证集）上训练并验证所提出的模型后，我们在各种其他数据集上测试了训练模型的鲁棒性，如 ISIC 2018（20% 作为测试集）、ISIC 2017、2016 和 PH2 数据集。结果表明，所提出的模型优于或与现有的皮肤病变分割方法相当。
引用
@article{arxiv.2012.14249,
title = {Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units},
author = {Sabari Nathan and Priya Kansal},
journal= {arXiv preprint arXiv:2012.14249},
year = {2020}
}