使用小数据集进行皮肤病变的语义分割

早期检测黑色素瘤对人眼而言是困难的，但却是降低其死亡率的关键一步。对这些黑色素瘤及其他皮肤病变的计算机化检测是必要的。本文的核心研究问题是“如何使用低可用数据的神经网络分割皮肤病变图像？”。该问题被划分为关于性能最佳网络结构、训练数据和训练方法的三个子问题。首先讨论了与这些问题相关的理论。文献指出，U-net CNN结构在分割任务上表现优异，更多训练数据提升网络性能，且利用迁移学习使网络更好地泛化到新数据。为验证文献中的这些发现，进行了两项实验。第一个实验在不同大小的数据集上训练网络。第二个实验提出十二种网络结构并在同一数据集上训练。实验结果支持文献中的发现。FCN16和FCN32网络在准确率、交并比和平均BF1分数指标上表现最佳。由这些结果得出结论，皮肤病变分割网络是具有跳跃架构、编码器深度为一或二的完全卷积结构。该网络的权重应使用来自预训练VGG16网络的迁移学习进行初始化。训练数据应被裁剪以降低复杂度，并在训练期间进行增强以减少过拟合的可能性。