SLSNet：使用轻量级生成对抗网络进行皮肤病变分割
图像与视频处理
2021-06-21 v3 计算机视觉与模式识别
摘要
使用自动化方法在皮肤镜图像中确定精确的皮肤病变边界面临许多挑战，最重要的是皮肤镜图像中存在毛发、病变边缘不明显以及低对比度，还有皮肤病变的颜色、纹理和形状的可变性。现有的基于深度学习的皮肤病变分割算法在计算时间和内存方面开销很大。因此，运行此类分割算法需要强大的 GPU 和高带宽内存，而皮肤镜设备中并不具备这些条件。因此，本文旨在以最少的资源实现精确的皮肤病变分割：一种称为 SLSNet 的轻量级、高效的生成对抗网络（GAN）模型，它将一维核分解网络、位置和通道注意力以及多尺度聚合机制与 GAN 模型相结合。一维核分解网络降低了二维滤波的计算成本。位置和通道注意力模块分别增强了在空间和通道维度上病变与非病变特征表示之间的判别能力。还使用了多尺度块来聚合输入皮肤图像的由粗到细的特征并减少伪影的影响。SLSNet 在两个公开可用的数据集上进行了评估：ISBI 2017 和 ISIC 2018。尽管 SLSNet 只有 235 万参数，实验结果表明，它以 97.61% 的准确率以及分别为 90.63% 和 81.98% 的 Dice 和 Jaccard 相似系数，实现了与最先进的皮肤病变分割方法相当的分割结果。SLSNet 在单个 GTX1080Ti GPU 上可以每秒超过 110 帧（FPS）的速度运行，比著名的基于深度学习的图像分割模型（如 FCN）更快。因此，SLSNet 可用于实际的皮肤镜应用。
引用
@article{arxiv.1907.00856,
title = {SLSNet: Skin lesion segmentation using a lightweight generative adversarial network},
author = {Md. Mostafa Kamal Sarker and Hatem A. Rashwan and Farhan Akram and Vivek Kumar Singh and Syeda Furruka Banu and Forhad U H Chowdhury and Kabir Ahmed Choudhury and Sylvie Chambon and Petia Radeva and Domenec Puig and Mohamed Abdel-Nasser},
journal= {arXiv preprint arXiv:1907.00856},
year = {2021}
}
备注
Accepted in Expert Systems with Applications