基于全卷积网络的皮肤病变多类语义分割
计算机视觉与模式识别
2020-03-17 v2
摘要
黑色素瘤在临床上难以与常见良性皮肤病变区分，特别是黑素细胞痣和脂溢性角化病。这些病变的皮肤镜表现具有巨大的类内差异和高的类间视觉相似性。当前多数研究聚焦于不考虑皮肤病变类别的单类分割。本工作中，我们评估了深度学习在ISIC-2017挑战数据集（包含2750张皮肤镜图像）多类分割上的性能。我们提出一种使用全卷积网络（FCNs）进行多类语义分割的端到端方案，以自动分割黑色素瘤、脂溢性角化病和痣。为提升FCNs性能，使用了迁移学习和混合损失函数。我们在ISIC-2017挑战数据集的测试集上评估了深度学习分割方法在多类分割和病变诊断（采用后处理方法）上的性能。结果表明，两级迁移学习FCN-8s取得了总体最佳结果：多类分割中痣类 Dice 分数为78.5%，黑色素瘤65.3%，脂溢性角化病55.7%；病变诊断中黑色素瘤识别准确率为84.62%。
引用
@article{arxiv.1711.10449,
title = {Multi-class Semantic Segmentation of Skin Lesions via Fully Convolutional Networks},
author = {Manu Goyal and Moi Hoon Yap and Saeed Hassanpour},
journal= {arXiv preprint arXiv:1711.10449},
year = {2020}
}
备注
Comp2clinic workshop at Biostec 2020