SLSDeep：基于膨胀残差与金字塔池化网络的皮肤病变分割
计算机视觉与模式识别
2018-06-01 v2
摘要
皮肤镜图像中的皮肤病变分割 (SLS) 是黑色素瘤自动诊断的关键任务。在本文中，我们提出了一种鲁棒的深度学习 SLS 模型，称为 SLSDeep，该模型表示为编码器-解码器网络。编码器网络由膨胀残差层构建，相应地，解码器采用金字塔池化网络后接三个卷积层。与采用交叉熵损失的传统方法不同，我们研究了一种结合负对数似然 (NLL) 和端点误差 (EPE) 的损失函数，以精确分割具有清晰边界的黑色素瘤区域。所提出模型的鲁棒性在两个公开数据库上进行了评估：用于黑色素瘤检测挑战的皮肤病变分析 ISBI 2016 和 2017。所提出的模型在分割准确率方面优于现有方法。此外，它能够在最新的 GPU 上每秒分割超过 张大小为 384x384 的图像。
引用
@article{arxiv.1805.10241,
title = {SLSDeep: Skin Lesion Segmentation Based on Dilated Residual and Pyramid Pooling Networks},
author = {Md. Mostafa Kamal Sarker and Hatem A. Rashwan and Farhan Akram and Syeda Furruka Banu and Adel Saleh and Vivek Kumar Singh and Forhad U H Chowdhury and Saddam Abdulwahab and Santiago Romani and Petia Radeva and Domenec Puig},
journal= {arXiv preprint arXiv:1805.10241},
year = {2018}
}
备注
Accepted in MICCAI 2018, 9 pages