基于 NABLA-N 与 Inception 循环残差卷积网络的皮肤癌分割与分类
计算机视觉与模式识别
2019-04-26 v1 图像与视频处理
摘要
近年来，深度学习(DL)在生物医学图像分析的不同模态中展现出优越性能。针对医学影像与计算病理中的分类、分割和检测任务，已有多种 DL 架构被提出。本文提出一种新的 DL 架构——NABLA-N 网络，其在解码单元中采用更好的特征融合技术，用于皮肤镜图像分割任务。NABLA-N 网络在分割任务上具有若干优势。首先，该模型通过低层到高层特征图的结合，为语义分割提供了更好的特征表示。其次，与其他方法相比，该网络在参数相同或更少的情况下取得了更好的定量与定性结果。此外，采用 Inception 循环残差卷积神经网络(IRRCNN)模型进行皮肤癌分类。所提出的 NABLA-N 网络与 IRRCNN 模型在 International Skin Imaging Collaboration 2018 (ISIC-2018) 的基准数据集上进行了皮肤癌分割与分类评估。实验结果表明，在分割任务上相较于 Recurrent Residual U-Net (R2U-Net) 具有更优性能。该分类模型在 ISIC2018 数据集上的皮肤镜皮肤癌分类测试准确率约为 87%。
引用
@article{arxiv.1904.11126,
title = {Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks},
author = {Md Zahangir Alom and Theus Aspiras and Tarek M. Taha and Vijayan K. Asari},
journal= {arXiv preprint arXiv:1904.11126},
year = {2019}
}
备注
7 pages, 7 figures, 2 Tables